3、模型训练基础：使用Keras构建并训练一个适合微控制器的简单分类或回归模型

在TFLite Micro的完整转换流水线中，模型训练是决定最终部署效果的核心起点。微控制器（MCU）的算力、内存和存储资源极其有限，因此并非所有在服务器或PC上表现优异的模型都能顺利迁移到嵌入式环境。本章将聚焦于如何使用Keras构建并训练一个适合微控制器的简单分类或回归模型，重点讲解模型规模控制、数据预处理、训练策略以及导出前的验证方法。我们将以Keras Sequential API为主要工具，结合TFLite Micro的约束条件，完成从数据准备到模型产出的完整闭环。

3.1 核心原理：微控制器场景下的模型设计约束

在开始编写Keras代码之前，必须理解TFLite Micro对模型的基本约束。与云端或移动端不同，MCU通常没有操作系统、没有动态内存分配（或非常受限）、没有浮点运算单元（FPU）。这意味着模型必须满足以下条件：参数量小（通常小于100KB）、激活值内存占用低（中间特征图不能过大）、算子类型受支持（TFLite Micro内置算子集有限）。Keras作为高层API，虽然可以快速搭建模型，但如果不加约束地使用复杂层（如LSTM、注意力机制），转换到TFLite Micro时往往会失败或性能极差。

因此，模型设计的核心原则是“以简驭繁”。对于分类任务，优先考虑全连接网络（Dense）或一维卷积（Conv1D）；对于回归任务，同样以少量Dense层为主。输入特征维度应尽量低，例如加速度计数据可以提取均值、方差、峰值等统计特征，而不是直接输入原始波形。输出层使用softmax（分类）或线性激活（回归）。整个模型的参数量应控制在数万级别，这样在int8量化后权重文件可以压缩到几十KB以内。

3.2 操作流程：使用Keras构建与训练模型

下面以一个具体的关键词唤醒（KWS）分类任务为例，演示完整的Keras训练流程。该任务需要识别“是/否/未知/静音”四类语音指令，输入为40维MFCC特征（每帧10ms，共30帧，即输入形状为(30, 40)）。我们使用Conv1D + Dense的轻量结构。

import tensorflow as tf
from tensorflow.keras import layers, models

# 1. 构建模型
model = models.Sequential([
    layers.Input(shape=(30, 40)),  # 30帧，每帧40维MFCC
    layers.Conv1D(filters=8, kernel_size=3, activation='relu', padding='same'),
    layers.MaxPooling1D(pool_size=2),
    layers.Conv1D(filters=16, kernel_size=3, activation='relu', padding='same'),
    layers.GlobalAveragePooling1D(),
    layers.Dense(units=16, activation='relu'),
    layers.Dense(units=4, activation='softmax')  # 4类输出
])

# 2. 编译模型
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-3),
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 3. 训练模型（假设已有x_train, y_train, x_val, y_val）
history = model.fit(x_train, y_train,
                    batch_size=32,
                    epochs=30,
                    validation_data=(x_val, y_val),
                    callbacks=[tf.keras.callbacks.EarlyStopping(patience=3, restore_best_weights=True)])

# 4. 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f'测试集准确率: {test_acc:.4f}')

训练完成后，需要检查模型参数量和中间激活值大小。可以使用model.summary()查看参数量，使用TFLite转换工具评估激活值内存。若参数量过大，可减少Conv1D的filters数量或删除最后一个Dense层。

3.3 案例拆解：从Keras到TFLite Micro的完整验证

以下案例展示了一个工业电机振动异常检测的回归任务。目标是根据振动信号预测电机转速（RPM），输入为256点加速度波形，输出为连续值。我们使用一个简单的Dense网络，并重点演示量化感知训练（QAT）对精度的影响。

在量化感知训练中，我们使用TensorFlow Model Optimization Toolkit（tfmot）在训练过程中模拟量化误差，使模型权重适应低精度表示。具体代码如下：

import tensorflow_model_optimization as tfmot

# 在原始模型基础上应用量化
quantize_model = tfmot.quantization.keras.quantize_model
q_model = quantize_model(model)

q_model.compile(optimizer='adam', loss='mse', metrics=['mae'])
q_model.fit(x_train, y_train, epochs=20, validation_data=(x_val, y_val))

转换到TFLite时，需要指定优化器和代表数据集：

converter = tf.lite.TFLiteConverter.from_keras_model(q_model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
converter.representative_dataset = representative_dataset_gen  # 提供校准数据
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS_INT8]
tflite_model = converter.convert()

最终在MCU上测试时，发现实际推理结果与PC端浮点模型相比，MAE仅增加2.1 RPM，完全满足工业监测±5 RPM的误差要求。这个案例说明，只要模型结构足够简单，量化带来的精度损失是可控的。

3.4 常见误区与总结复盘

在训练面向MCU的模型时，开发者常犯以下错误：

• 误区一：直接使用预训练大模型。例如将MobileNetV2直接迁移到MCU，即使量化后也有数MB大小，远超Flash容量。正确做法是设计极小的定制网络。
• 误区二：忽略输入数据的预处理成本。MCU上执行MFCC或FFT等特征提取会消耗大量算力，应尽量在PC端完成特征提取，MCU只负责推理。
• 误区三：训练时未考虑量化影响。普通训练后直接量化，可能导致精度骤降（例如从95%降到60%）。应使用量化感知训练或至少进行量化校准。
• 误区四：只关注参数量，忽略激活值内存。某些模型参数量小，但中间特征图很大（如Conv1D的序列长度过长），导致RAM溢出。

总结复盘时，建议建立一套标准化的训练检查清单：① 确认模型参数量小于50K；② 确认所有算子均被TFLite Micro支持（可查询官方算子列表）；③ 使用QAT训练；④ 转换后对比浮点模型与量化模型的精度差异；⑤ 在MCU开发板上进行实测，记录推理时间和峰值RAM。只有经过这五步验证，模型才能安全地进入固件打包阶段。

最后，要养成“先小后大”的训练习惯。先用极小的模型（如仅2层Dense）跑通整个流水线，再逐步增加复杂度。这样在遇到问题时，可以快速定位是模型问题、数据问题还是转换问题，避免在复杂模型上浪费大量调试时间。