3. 模型准备与转换：从训练框架到STM32的桥梁

说实话，模型准备这一步，看着简单，坑却不少。我见过太多人花了两周训出一个漂亮的模型，结果发现导不进STM32——那种感觉，就像菜都炒好了发现没开火。今天咱们就把这条路捋顺了。

3.1 支持哪些框架？

STM32Cube.AI目前主要支持三个来源：Keras、TFLite和ONNX。我个人习惯用Keras做快速原型，用ONNX做跨平台部署。

3.2 模型导出格式详解

每种框架的导出方式不太一样。我挑最常用的三种说一下。

3.2.1 Keras (.h5)

最简单，一行代码的事：

model.save('my_model.h5')

嗯，这里要注意：save和save_weights是两回事。前者保存完整图结构+权重，后者只存权重。STM32Cube.AI要的是前者，我刚开始就搞混过。

3.2.2 TFLite (.tflite)

这个格式的好处是自带量化信息。导出时记得指定输入输出形状：

converter = tf.lite.TFLiteConverter.from_keras_model(model)
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS_INT8]
converter.inference_input_type = tf.int8
converter.inference_output_type = tf.int8
tflite_model = converter.convert()
with open('model_quant.tflite', 'wb') as f:
    f.write(tflite_model)

3.2.3 ONNX (.onnx)

PyTorch用户看这里：

import torch
dummy_input = torch.randn(1, 3, 32, 32)
torch.onnx.export(model, dummy_input, "model.onnx",
                  input_names=['input'],
                  output_names=['output'],
                  dynamic_axes={'input': {0: 'batch_size'},
                                'output': {0: 'batch_size'}})

为什么我推荐ONNX？因为它的算子覆盖面广，而且STM32Cube.AI对ONNX的支持越来越好了。说白了，ONNX就是模型界的通用语言。

3.3 输入输出张量约束

这是最容易翻车的地方。STM32的RAM和Flash有限，对张量形状有硬性要求。

3.4 量化感知训练（QAT）简介

你想想看，一个float32的模型，直接转成int8，精度掉多少？我做过测试，有的模型掉5%，有的直接掉到没法用。这时候就需要QAT了。

QAT说白了就是：在训练过程中模拟量化误差，让模型自己学会适应低精度。这样部署到STM32上时，精度损失能控制在1-2%以内。

3.4.1 QAT怎么做？

TensorFlow里有一套完整的QAT API：

import tensorflow_model_optimization as tfmot

# 在原始模型上应用QAT
quantize_model = tfmot.quantization.keras.quantize_model
qat_model = quantize_model(original_model)

# 用较小的学习率继续训练
qat_model.compile(optimizer='adam', loss='categorical_crossentropy')
qat_model.fit(x_train, y_train, epochs=5, batch_size=32)

# 导出时自动包含量化信息
converter = tf.lite.TFLiteConverter.from_keras_model(qat_model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_qat_model = converter.convert()

3.4.2 什么时候必须用QAT？

• 模型对精度极其敏感（比如关键部位检测）
• 部署芯片RAM极小（比如STM32F0系列）
• 后训练量化（PTQ）掉点超过3%

3.5 知识体系总览

下面这张图，把模型准备到部署的整个流程串起来了。我建议你保存下来，每次做项目前看一眼。

3.6 本章小结

模型准备这一步，说白了就是给STM32「喂对饭」。框架选对、格式导对、张量约束卡对、量化策略选对——四件事都做对了，后面部署就顺了。

我个人建议：第一次做项目时，先用Keras导出.h5，走通全流程。等熟悉了，再尝试TFLite量化或ONNX跨平台。别一上来就搞QAT，那玩意儿是锦上添花，不是雪中送炭。