📚 课程目录第4章 TensorFlow模型训练基础（一）

4. TensorFlow模型训练基础（一）：环境搭建与手写数字识别

好，咱们正式开始动手了。这一章的目标很明确——把TensorFlow环境搭起来，然后用一个最简单的全连接网络，把MNIST手写数字识别跑通。说白了，就是先让模型“动起来”，后面再谈怎么优化、怎么移植到STM32上。

我个人习惯把环境搭建放在第一步。很多初学者一上来就写代码，结果跑不通，最后发现是Python版本不对或者CUDA没装好。嗯，咱们先把地基打牢。

4.1 TensorFlow环境搭建

TensorFlow支持CPU和GPU两种模式。如果你只是做模型验证和轻量训练，CPU版完全够用。但如果你要训练稍大一点的网络，我建议还是用GPU版，速度快很多。

我的建议： 第一次搭建，先用CPU版跑通流程。等后面做图像分类、目标检测时再切GPU。这样能避免一开始就被驱动问题劝退。

4.1.1 安装步骤（Windows/Linux通用）

安装Python：推荐3.8~3.10版本。我遇到过3.11装TF报错的情况，所以别追新。

创建虚拟环境（强烈建议）：

python -m venv tf_env
tf_env\Scripts\activate  # Windows
source tf_env/bin/activate  # Linux

安装TensorFlow：
```
pip install tensorflow==2.10.0
```

验证安装：

python -c "import tensorflow as tf; print(tf.__version__)"

我曾经踩过的坑： 直接 pip install tensorflow 装到最新版，结果跟CUDA版本不匹配，训练时直接报错。后来我养成了习惯——先查TF官方文档的“Build from source”页面，确认CUDA和cuDNN的对应版本再装。

4.1.2 环境验证清单

组件	推荐版本	验证命令
Python	3.8 ~ 3.10	`python --version`
TensorFlow	2.10.0	`tf.__version__`
Keras	2.10.0（随TF自带）	`tf.keras.__version__`
NumPy	1.24.3	`np.__version__`

4.2 Keras Sequential API入门

Keras的Sequential API，说白了就是“搭积木”。你一层一层往上加，模型就搭好了。我个人觉得这是最适合入门的方式——代码直观，逻辑清晰。

你想想看，一个神经网络无非就是：输入层 → 隐藏层 → 输出层。Sequential API让你用.add()方法一层层堆叠，跟写清单一样简单。

4.2.1 核心概念

层（Layer）：Dense（全连接层）、Conv2D（卷积层）、Flatten（展平层）等。
激活函数：relu、softmax、sigmoid。
损失函数：分类用categorical_crossentropy或sparse_categorical_crossentropy。
优化器：adam、sgd。

  关键区别： 如果你的标签是one-hot编码（如[0,0,1,0,0]），用categorical_crossentropy；如果标签是整数（如2），用sparse_categorical_crossentropy。选错了会报错，我刚开始就犯过这个错。

4.3 全连接网络实现手写数字识别（MNIST）

MNIST数据集是深度学习的“Hello World”。28×28像素的手写数字图片，0到9共10个类别。咱们用全连接网络来识别它。

4.3.1 数据加载与预处理

import tensorflow as tf
from tensorflow.keras.datasets import mnist

# 加载数据
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 归一化：把0-255的像素值缩放到0-1之间
x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0

# 展平：把28x28的二维图像变成一维向量（784个像素）
x_train = x_train.reshape(-1, 784)
x_test = x_test.reshape(-1, 784)

# 标签转one-hot编码
y_train = tf.keras.utils.to_categorical(y_train, 10)
y_test = tf.keras.utils.to_categorical(y_test, 10)

为什么归一化？ 我在项目中遇到过，如果不归一化，网络训练时梯度会震荡，收敛很慢。归一化后，所有输入都在0~1之间，训练稳定多了。

4.3.2 构建模型

model = tf.keras.Sequential([
    tf.keras.layers.Dense(128, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(
    optimizer='adam',
    loss='categorical_crossentropy',
    metrics=['accuracy']
)

# 查看模型结构
model.summary()

这个网络结构很简单：输入784个像素 → 128个神经元（ReLU） → 64个神经元（ReLU） → 10个输出（Softmax）。你想想看，这其实就是在做“特征提取+分类”。

4.3.3 模型训练

history = model.fit(
    x_train, y_train,
    batch_size=32,
    epochs=10,
    validation_split=0.2,
    verbose=1
)

训练时你会看到loss逐渐下降，accuracy逐渐上升。一般来说，10个epoch后测试集准确率能到97%以上。嗯，这个网络虽然简单，但效果还不错。

4.4 模型保存与加载（.h5格式）

训练好的模型要保存下来，后面才能转成STM32能用的格式。我个人习惯保存成.h5格式，兼容性好，Keras原生支持。

4.4.1 保存模型

# 保存整个模型（结构+权重+优化器状态）
model.save('mnist_fc_model.h5')

# 或者只保存权重（更轻量）
model.save_weights('mnist_fc_weights.h5')

注意： 如果你只保存权重，加载时必须先重建一模一样的模型结构，再加载权重。否则会报错。我建议初学者直接保存整个模型，省心。

4.4.2 加载模型

from tensorflow.keras.models import load_model

# 加载完整模型
loaded_model = load_model('mnist_fc_model.h5')

# 验证加载是否正确
loss, accuracy = loaded_model.evaluate(x_test, y_test)
print(f'Test accuracy: {accuracy:.4f}')

4.5 本章知识体系

下面这张图把本章的核心流程串起来了。从环境搭建到模型保存，每一步都是后面移植的基础。

4.6 完整代码示例

下面是一份可以直接运行的完整代码。你复制到Python文件里，跑一遍，就能看到训练过程和保存的模型文件。

import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.utils import to_categorical

# 1. 加载数据
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 2. 预处理
x_train = x_train.reshape(-1, 784).astype('float32') / 255.0
x_test = x_test.reshape(-1, 784).astype('float32') / 255.0
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

# 3. 构建模型
model = Sequential([
    Dense(128, activation='relu', input_shape=(784,)),
    Dense(64, activation='relu'),
    Dense(10, activation='softmax')
])

# 4. 编译
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 5. 训练
model.fit(x_train, y_train,
          batch_size=32,
          epochs=10,
          validation_split=0.2,
          verbose=1)

# 6. 评估
loss, acc = model.evaluate(x_test, y_test, verbose=0)
print(f'Test accuracy: {acc:.4f}')

# 7. 保存
model.save('mnist_fc_model.h5')
print('Model saved as mnist_fc_model.h5')

跑完代码后： 你会得到一个.h5文件，大小大概几百KB。这个文件就是咱们后面要移植到STM32上的“种子”。下一阶段，我们会把它转换成C代码，然后烧到板子上跑。

嗯，这一章的内容就到这里。环境搭好了，模型跑通了，文件也保存了。后面的事情，就是怎么把这个模型塞进STM32里——那才是咱们这门课的核心。不过别急，先把基础打牢，后面自然水到渠成。