2、环境准备：搭建开发环境，安装TensorFlow、TFLite Micro工具链、Docker及CI平台（如GitHub Actions）基础配置

在开始将TFLite Micro模型转换接入CI流程之前，必须先搭建一套可重复、可移植、可自动化的开发环境。本章的核心目标是帮助你构建一个“一次配置、处处运行”的流水线底座。我们将从本地开发环境、TFLite Micro工具链、Docker容器化封装，到GitHub Actions的云端执行链路，逐一拆解。这套环境不仅是后续章节的物理基础，更是团队协作与持续集成的“契约”——只有环境一致，自动化构建的结果才具有可信度。

上图展示了本章环境搭建的整体架构：本地开发环境负责模型训练与转换调试，Docker容器将环境固化为不可变镜像，CI平台则负责在云端自动执行转换与验证。三者通过版本控制与缓存策略形成闭环。下面我们分模块深入讲解。

2.1 核心原理：为什么需要三层环境隔离

在嵌入式AI项目中，模型转换的“环境敏感性”极高。TensorFlow版本、Python版本、甚至操作系统的glibc版本都会影响TFLite转换器的行为。如果每个开发者的本地环境不一致，就会出现“在我机器上能跑，在CI上就失败”的经典问题。因此，我们采用三层隔离策略：

• 第一层：本地虚拟环境——使用Python venv或conda隔离Python包依赖，保证开发阶段的可复现性。
• 第二层：Docker容器——将操作系统、Python解释器、TensorFlow、TFLite Micro工具链全部封装进镜像，实现“环境即代码”。
• 第三层：CI平台——GitHub Actions等平台在云端按需启动容器，每次运行都是全新的、干净的环境，避免宿主机污染。

这种分层设计的关键在于：每一层都只解决一个特定问题。虚拟环境解决Python包冲突，Docker解决系统级依赖，CI解决执行环境的标准化与自动化。三者叠加，才能构建出真正可靠的自动化流水线。

2.2 操作流程：从零搭建本地开发环境

我们以Ubuntu 22.04 LTS为例，逐步搭建。Windows用户建议使用WSL2或直接使用Docker Desktop。

步骤1：安装Python与虚拟环境

# 安装Python 3.10（Ubuntu 22.04自带）
sudo apt update
sudo apt install -y python3.10 python3.10-venv python3-pip git

# 创建项目目录
mkdir ~/tflm_ci_demo && cd ~/tflm_ci_demo

# 创建虚拟环境
python3 -m venv .venv
source .venv/bin/activate

步骤2：安装TensorFlow与TFLite Micro工具链

# 升级pip并安装TensorFlow（CPU版足够转换使用）
pip install --upgrade pip
pip install tensorflow==2.15.0

# 克隆TFLite Micro源码（用于后续的模型转换与测试）
git clone https://github.com/tensorflow/tflite-micro.git
cd tflite-micro
git checkout 0f0c2d2  # 固定版本，确保可复现

# 安装TFLM的Python依赖（用于模型评估）
pip install -r tensorflow/lite/micro/tools/requirements.txt

步骤3：验证安装

python -c "import tensorflow as tf; print('TF版本:', tf.__version__)"
python -c "from tflite_micro import tensorflow; print('TFLM导入成功')"

如果输出正常，说明本地环境已就绪。此时建议将依赖版本写入requirements.txt，作为后续Docker构建的输入。

2.3 Docker容器化：固化环境的关键一步

Docker是CI流程的核心。我们需要编写一个Dockerfile，将上述环境完整封装。以下是经过实践验证的Dockerfile模板：

FROM ubuntu:22.04

# 设置非交互模式
ENV DEBIAN_FRONTEND=noninteractive

# 安装系统依赖
RUN apt-get update && apt-get install -y \
    python3.10 python3.10-venv python3-pip git \
    build-essential cmake make \
    && rm -rf /var/lib/apt/lists/*

# 创建非root用户（安全实践）
RUN useradd -m -s /bin/bash tflm_user
USER tflm_user
WORKDIR /home/tflm_user

# 安装Python依赖
COPY requirements.txt .
RUN python3 -m venv .venv && \
    . .venv/bin/activate && \
    pip install --upgrade pip && \
    pip install -r requirements.txt

# 克隆TFLite Micro（固定版本）
RUN git clone https://github.com/tensorflow/tflite-micro.git && \
    cd tflite-micro && git checkout 0f0c2d2

# 设置环境变量
ENV PATH="/home/tflm_user/.venv/bin:$PATH"
ENV TFLM_DIR="/home/tflm_user/tflite-micro"

# 默认工作目录
WORKDIR /home/tflm_user/workspace

构建镜像并验证：

docker build -t tflm-ci:1.0.0 .
docker run --rm tflm-ci:1.0.0 python -c "import tensorflow as tf; print(tf.__version__)"

2.4 GitHub Actions基础配置：让CI跑起来

GitHub Actions通过.github/workflows/*.yml文件定义流水线。以下是一个最小可用的workflow配置：

name: TFLM Model Conversion CI

on:
  push:
    branches: [ main ]
  pull_request:
    branches: [ main ]

jobs:
  convert-model:
    runs-on: ubuntu-latest
    container:
      image: tflm-ci:1.0.0
      options: --user root  # 容器内需要root权限安装依赖
    steps:
      - name: Checkout code
        uses: actions/checkout@v4

      - name: Cache pip packages
        uses: actions/cache@v3
        with:
          path: ~/.cache/pip
          key: ${{ runner.os }}-pip-${{ hashFiles('requirements.txt') }}

      - name: Run model conversion
        run: |
          source /home/tflm_user/.venv/bin/activate
          python scripts/convert_model.py \
            --input_model models/source_model.h5 \
            --output_model artifacts/model.tflite

      - name: Upload artifact
        uses: actions/upload-artifact@v4
        with:
          name: tflite-model
          path: artifacts/model.tflite

这个配置实现了三个关键功能：容器化执行（使用我们构建的镜像）、依赖缓存（加速pip安装）、产物上传（保存转换结果）。

2.5 实战案例：从零到一的完整环境搭建

我们以一个实际项目为例，展示完整的环境搭建过程。项目背景：需要将MobileNetV2模型转换为TFLite格式，并集成到CI中。

阶段	操作	关键参数/命令	验证方式
本地开发	创建venv并安装TF 2.15	pip install tensorflow==2.15.0	tf.__version__输出2.15.0
模型转换	编写convert_model.py脚本	输入h5，输出tflite，设置优化	生成文件大小约4.2MB
Docker封装	编写Dockerfile并构建	docker build -t tflm-ci:1.0.0 .	容器内运行转换脚本成功
CI集成	创建workflow YAML	使用container镜像	push后自动触发，构建成功

在实施过程中，我们遇到了一个典型问题：Docker容器内无法访问GPU。虽然模型转换不需要GPU，但TensorFlow在初始化时会尝试检测GPU，导致警告日志刷屏。解决方案是在转换脚本中设置环境变量：

import os
os.environ['CUDA_VISIBLE_DEVICES'] = '-1'  # 禁用GPU
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'   # 减少日志输出

这个案例说明，环境搭建不仅是“安装软件”，还需要针对实际运行场景做适配。CI环境与本地环境的差异（如无GPU、无交互终端）必须在设计时考虑。

2.6 常见误区与总结复盘

正确的做法是：所有依赖都锁定精确版本，Docker镜像使用语义化版本号，并利用GitHub Actions的缓存机制。此外，建议在CI中增加环境自检步骤，例如打印关键库版本、检查TFLite文件哈希值，确保每次构建的产物可追溯。