4. 模型训练基础：使用Keras训练一个简单的分类或回归模型，并导出为SavedModel格式

在TFLite Micro的部署链路中，模型训练是决定最终推理效果的上游环节。虽然TFLite Micro面向的是资源受限的MCU，但其模型来源与常规TensorFlow流程一致：先使用Keras构建并训练模型，再通过TensorFlow生态工具链完成格式转换与量化。本章聚焦于这一起点——如何用Keras训练一个轻量级分类或回归模型，并将其导出为SavedModel格式。这一步骤看似基础，却直接决定了后续模型能否被TFLite Converter正确解析，以及量化后精度损失是否可控。

4.1 核心原理：为什么训练阶段就要考虑MCU部署

许多开发者习惯先训练一个“大而准”的模型，再考虑压缩和部署。但在TFLite Micro场景下，这种思路往往导致返工。MCU的Flash通常只有几十KB到几MB，RAM更是以KB为单位，主频多在几十MHz到两百MHz之间。这意味着模型参数量必须控制在数万到数十万级别，且推理时的中间特征图不能过大。

Keras作为TensorFlow的高层API，提供了从数据管道到训练循环的完整封装。其核心价值在于：声明式构建（用Layer对象堆叠网络结构）、自动微分（训练时自动计算梯度）、回调机制（在训练过程中监控指标、调整学习率）。对于MCU部署，Keras模型需要满足三个约束：参数量小、算子类型兼容TFLite Micro、数值范围适合后续定点量化。

SavedModel是TensorFlow推荐的模型导出格式。它是一个包含模型结构、权重和训练状态的目录，而非单一文件。TFLite Converter可以直接读取SavedModel目录，将其转换为FlatBuffer格式的.tflite文件。相比HDF5（.h5）格式，SavedModel保留了完整的签名（SignatureDef），使得转换工具能更准确地推断输入输出张量的名称和形状。

4.2 操作流程：从数据到SavedModel的完整步骤

下面以一个二分类任务（例如识别传感器数据中的异常模式）和一个回归任务（例如根据温度预测电阻值）为例，展示标准流程。整个流程分为五个步骤：数据准备、模型构建、编译配置、训练执行、导出验证。

步骤一：数据准备与预处理

MCU场景的数据通常来自传感器采样，特征维度不宜过高。以128个采样点为一帧，每帧对应一个标签。数据需要划分为训练集、验证集和测试集，比例建议为70%:15%:15%。归一化是必须的——对于8位量化，输入数据最好映射到[-1, 1]或[0, 1]区间，这能减少量化误差。

import numpy as np
from sklearn.model_selection import train_test_split

# 假设X为特征矩阵 (N, 128)，y为标签 (N,)
X_train, X_temp, y_train, y_temp = train_test_split(
    X, y, test_size=0.3, random_state=42, stratify=y
)
X_val, X_test, y_val, y_test = train_test_split(
    X_temp, y_temp, test_size=0.5, random_state=42, stratify=y_temp
)

# 归一化：计算训练集均值和标准差
mean = X_train.mean(axis=0, keepdims=True)
std = X_train.std(axis=0, keepdims=True) + 1e-7
X_train = (X_train - mean) / std
X_val = (X_val - mean) / std
X_test = (X_test - mean) / std

步骤二：构建轻量级Keras模型

对于MCU部署，推荐使用Sequential模型，因为它结构简单、转换友好。以下是一个适用于二分类的1D卷积模型，参数量约3K，适合Cortex-M4级别的MCU。

import tensorflow as tf
from tensorflow.keras import layers

def build_classifier(input_shape=(128, 1)):
    model = tf.keras.Sequential([
        layers.Input(shape=input_shape),
        layers.Conv1D(filters=8, kernel_size=3, strides=2, activation='relu'),
        layers.MaxPooling1D(pool_size=2),
        layers.Conv1D(filters=16, kernel_size=3, strides=2, activation='relu'),
        layers.GlobalAveragePooling1D(),
        layers.Dense(8, activation='relu'),
        layers.Dense(1, activation='sigmoid')  # 二分类输出
    ])
    return model

model = build_classifier()
model.summary()  # 打印参数量，确认在MCU可接受范围内

步骤三：编译配置

编译时需要指定优化器、损失函数和评估指标。对于MCU部署，Adam优化器训练收敛快，但推理时不需要优化器。损失函数的选择要匹配任务类型：二分类用binary_crossentropy，多分类用categorical_crossentropy，回归用mse或mae。

model.compile(
    optimizer=tf.keras.optimizers.Adam(learning_rate=1e-3),
    loss='binary_crossentropy',
    metrics=['accuracy', tf.keras.metrics.AUC(name='auc')]
)

步骤四：训练执行与回调

训练时使用EarlyStopping防止过拟合，使用ReduceLROnPlateau在验证损失停滞时降低学习率。对于MCU场景，训练轮次不宜过多，一般20-50轮即可。

callbacks = [
    tf.keras.callbacks.EarlyStopping(patience=5, restore_best_weights=True),
    tf.keras.callbacks.ReduceLROnPlateau(factor=0.5, patience=3)
]

history = model.fit(
    X_train, y_train,
    validation_data=(X_val, y_val),
    epochs=50,
    batch_size=32,
    callbacks=callbacks,
    verbose=1
)

步骤五：导出为SavedModel

训练完成后，使用model.save()导出。注意指定save_format='tf'以生成SavedModel目录。导出前最好先评估测试集指标，确保模型质量达标。

# 测试集评估
test_loss, test_acc, test_auc = model.evaluate(X_test, y_test, verbose=0)
print(f"Test accuracy: {test_acc:.4f}, AUC: {test_auc:.4f}")

# 导出为SavedModel
model.save("sensor_classifier_saved_model", save_format="tf")
print("SavedModel exported successfully.")

4.3 案例拆解：温度-电阻回归模型的完整训练闭环

下面通过一个具体的回归案例，展示从数据生成到SavedModel导出的完整闭环。该案例模拟一个NTC热敏电阻的温度-电阻特性曲线拟合，后续将部署到MCU上进行实时温度计算。

背景与约束：某工业传感器节点需要根据ADC采集的电压值反推环境温度。NTC电阻的阻值与温度呈非线性关系，传统查表法占用Flash且精度有限。目标是用一个Keras回归模型拟合R-T曲线，模型参数量小于2KB，部署在STM32G0系列MCU上。

数据生成：使用Steinhart-Hart方程生成模拟数据，温度范围-20°C至80°C，加入1%的高斯噪声模拟测量误差。

import numpy as np

# Steinhart-Hart 方程参数
A, B, C = 1.129e-3, 2.341e-4, 8.767e-8
T = np.linspace(-20, 80, 1000)  # 温度范围
T_k = T + 273.15  # 转换为开尔文
lnR = A + B/T_k + C/(T_k**3)
R = np.exp(lnR) * 10000  # 10k NTC
R_noisy = R * (1 + np.random.normal(0, 0.01, R.shape))

# 特征：电阻值（归一化），标签：温度
X = R_noisy.reshape(-1, 1)
y = T.reshape(-1, 1)

模型设计：由于输入输出都是单变量，使用3层全连接网络即可。隐藏层使用tanh激活函数（输出范围[-1,1]，适合回归中间层），输出层为线性激活。

model = tf.keras.Sequential([
    layers.Input(shape=(1,)),
    layers.Dense(16, activation='tanh'),
    layers.Dense(8, activation='tanh'),
    layers.Dense(1)  # 线性输出
])
model.compile(optimizer='adam', loss='mse', metrics=['mae'])

训练与验证：训练100轮后，测试集MAE达到0.35°C，满足±0.5°C的精度要求。导出SavedModel后，使用saved_model_cli工具验证签名。

# 命令行验证
# saved_model_cli show --dir ./ntc_regressor_saved_model --all

结果对比与复盘：该模型参数量为16×1+16+8×16+8+8×1+1 = 169个参数，加上偏置共约200个参数，占用Flash约800字节（float32）。后续量化到int8后，Flash占用降至约200字节。相比查表法（需要存储1000个float32点，约4KB），模型方法节省了95%的存储空间，且精度更高。

4.4 常见误区与总结复盘

在训练用于MCU部署的模型时，以下误区最为常见：

总结复盘：本章的核心要点可以归纳为“三个提前”——提前规划模型规模、提前设计输入输出范围、提前验证算子兼容性。SavedModel导出是连接训练与部署的桥梁，务必在导出后检查目录结构是否完整（包含saved_model.pb和variables/文件夹）。在下一阶段，我们将基于这个SavedModel进行TFLite转换和量化，届时模型的结构和数值范围将直接影响量化效果。