📚 课程目录第4章模型训练与导出

4、模型训练与导出：使用Keras训练一个简单的正弦波预测模型

在TFLite Micro的Hello World示例中，核心任务是让微控制器（MCU）根据输入的时间步预测正弦波的下一个值。这一看似简单的任务，实际上完整地串联了从数据生成、模型设计、训练评估到格式转换的深度学习全流程。本章将聚焦于如何在PC端使用Keras完成这一流程，并最终导出为适合嵌入式部署的TensorFlow Lite格式（.tflite）。我们将深入探讨每一个环节的工程细节，确保你不仅知道“怎么做”，更理解“为什么这么做”。

4.1 数据生成：构造高质量的正弦波样本集

核心原理

正弦波预测本质上是时间序列回归问题。我们需要将连续的正弦波信号离散化为一系列采样点，然后构造“输入-输出”对：给定当前时刻的值 \( x_t \)，预测下一个时刻的值 \( x_{t+1} \)。在Hello World案例中，为了降低MCU的计算负担，通常采用单步预测策略，即输入一个浮点数，输出一个浮点数。数据质量直接决定了模型的上限，因此生成数据时需关注采样密度、数值范围和样本多样性。

操作流程

确定采样参数：设定采样频率（如1000个点/周期）和周期数（如5个完整周期），生成原始正弦波序列。
构造数据集：将序列转换为特征矩阵 \( X \) 和标签向量 \( Y \)。对于第 \( i \) 个样本，\( X[i] = sin(i \times \Delta t) \)，\( Y[i] = sin((i+1) \times \Delta t) \)。
数据归一化：将数据缩放到 [-1, 1] 区间（正弦波天然满足此条件），这有助于加速模型收敛。
划分训练/验证集：按 80/20 比例随机划分，确保验证集覆盖不同相位区域。

import numpy as np
# 生成正弦波数据
sampling_rate = 1000  # 每周期采样点数
num_periods = 5
x = np.linspace(0, 2 * np.pi * num_periods, sampling_rate * num_periods)
y = np.sin(x)

# 构造输入输出对
X = y[:-1].reshape(-1, 1)  # 当前值
Y = y[1:].reshape(-1, 1)   # 下一个值

# 划分数据集
split_idx = int(len(X) * 0.8)
X_train, X_val = X[:split_idx], X[split_idx:]
Y_train, Y_val = Y[:split_idx], Y[split_idx:]

经验提醒：不要使用随机噪声作为输入特征。正弦波预测任务中，输入是确定性的函数值，加入噪声会引入不可预测的偏差，导致模型学习到错误的映射关系。

4.2 模型构建：设计轻量级Keras网络

核心原理

MCU的Flash和RAM资源极其有限（通常Flash < 1MB，RAM < 300KB），因此模型必须足够精简。Hello World案例采用三层全连接网络：输入层（1个神经元）→ 隐藏层（16个神经元，ReLU激活）→ 输出层（1个神经元，线性激活）。总参数量约 1×16 + 16 + 16×1 + 1 = 49 个权重和偏置，加上优化器状态，内存占用极小。选择ReLU而非tanh，是因为ReLU计算简单且能有效缓解梯度消失。

模型结构表

层类型	输出维度	参数量	激活函数
Dense (输入层)	16	1×16+16=32	ReLU
Dense (隐藏层)	16	16×16+16=272	ReLU
Dense (输出层)	1	16×1+1=17	Linear

代码实现

import tensorflow as tf
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense

model = Sequential([
    Dense(16, activation='relu', input_shape=(1,)),
    Dense(16, activation='relu'),
    Dense(1)  # 线性激活，用于回归
])
model.compile(optimizer='adam', loss='mse', metrics=['mae'])
model.summary()

风险提示：不要盲目增加隐藏层神经元数量。虽然更大的网络能降低训练损失，但会显著增加模型文件大小和推理延迟。对于MCU部署，应优先保证模型在验证集上的泛化能力，而非追求极致的训练精度。

4.3 训练与评估：监控收敛与过拟合

核心原理

训练过程通过反向传播算法最小化均方误差（MSE）。Adam优化器自适应调整学习率，适合此小规模回归任务。关键监控指标包括训练损失（MSE）和验证损失。若验证损失远高于训练损失，则表明模型过拟合。由于数据量较小（约5000个样本），通常训练500-1000个epoch即可收敛。

训练配置与结果分析

history = model.fit(
    X_train, Y_train,
    validation_data=(X_val, Y_val),
    epochs=500,
    batch_size=32,
    verbose=1
)

# 评估模型
val_loss, val_mae = model.evaluate(X_val, Y_val)
print(f"验证集 MSE: {val_loss:.6f}, MAE: {val_mae:.6f}")

典型训练结果：经过500个epoch后，训练MSE降至约 1e-5，验证MSE约 1.2e-5，MAE约 0.003。这表明模型能够以约0.3%的误差预测正弦波的下一个值，满足嵌入式演示需求。

案例拆解：某次训练中，我们发现验证损失在300个epoch后不再下降，而训练损失仍在缓慢降低。通过绘制损失曲线，判断为轻微过拟合。解决方案：① 将训练/验证集划分改为按时间顺序（前80%训练，后20%验证），避免随机打乱导致的数据泄漏；② 增加Dropout层（概率0.1）。调整后验证损失稳定在 1e-5 量级。

4.4 导出为TensorFlow Lite格式

核心原理

TFLite是专为移动和嵌入式设备优化的模型格式。导出过程将Keras的H5格式模型转换为FlatBuffer序列化的.tflite文件。关键步骤包括：模型转换（使用TFLiteConverter）、可选的量化（将float32权重转为int8，减小体积并加速推理）。对于Hello World案例，默认导出float32格式即可，因为模型本身仅约1KB。

导出流程

保存Keras模型：model.save('sine_model.h5')
转换模型：使用tf.lite.TFLiteConverter.from_keras_model()
设置优化选项：默认无优化，或指定optimizations=[tf.lite.Optimize.DEFAULT]进行量化。
生成.tflite文件：converter.convert()并写入文件。

# 转换模型
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# 保存为文件
with open('sine_model.tflite', 'wb') as f:
    f.write(tflite_model)
print(f"模型大小: {len(tflite_model)} bytes")

量化对比表

格式	权重精度	模型大小	推理精度损失	适用场景
float32	32位浮点	~1.2KB	无	原型验证、资源充足的MCU
int8量化	8位整数	~0.3KB	约0.5%	低功耗、小内存MCU

常见误区：不要直接使用tf.lite.TFLiteConverter.from_saved_model()，除非你已保存为SavedModel格式。Keras的H5格式需使用from_keras_model()。另外，量化后务必在PC端用TFLite解释器验证输出，确保精度损失在可接受范围内。

4.5 总结复盘：从训练到部署的完整链路

本章完成了正弦波预测模型的完整训练与导出流程。核心要点可归纳为：数据决定上限，模型决定下限，导出决定可行性。在数据生成阶段，我们构造了干净的回归数据集；模型设计遵循“小而精”原则，仅用49个参数就实现了高精度预测；训练过程通过验证集监控泛化能力；最终导出为1KB左右的.tflite文件，为后续在MCU上的部署奠定了基础。

工程复盘：在真实项目中，我们曾遇到模型在PC端预测准确，但部署到MCU后输出异常的问题。排查发现是PC端使用了float64计算，而MCU仅支持float32。解决方案：在训练前将数据强制转换为float32，并在模型转换时指定tf.float32类型。这提醒我们，数据类型一致性是跨平台部署的隐形陷阱。

下一阶段，我们将把生成的.tflite模型转换为C++字节数组，并集成到TFLite Micro的推理引擎中，实现在MCU上的实时正弦波预测。届时，你将看到模型从“数字”到“物理信号”的完整蜕变。