3. Keras基础回顾：模型构建、编译、训练、保存与加载

在进入Edge Impulse的Keras模型导入与再训练流程之前，我们必须先夯实Keras本身的核心操作链路。Edge Impulse的迁移学习、模型微调以及部署导出，本质上都是围绕Keras模型的构建、编译、训练、保存与加载这五个环节展开的。尤其是模型保存环节，H5与SavedModel两种格式的选择直接决定了后续在Edge Impulse中导入的兼容性、部署时的运行时依赖以及再训练时的灵活性。本章将系统梳理这五个环节的关键技术点，并重点剖析H5与SavedModel的格式差异与适用场景。

3.1 模型构建：从Sequential到Functional的工程选择

Keras模型构建是整条链路的第一步，其核心任务是定义网络层的堆叠方式与张量流动路径。在Edge Impulse的再训练场景中，我们通常不会从零开始构建一个全新的网络，而是加载一个预训练模型（如MobileNetV2、EfficientNet等）作为特征提取器，然后在其顶部替换或新增分类层。因此，理解Keras的两种构建范式至关重要。

Sequential模型适用于线性堆叠的网络结构，每一层只有一个输入和一个输出，层与层之间顺序连接。这种模型简单直观，适合快速原型验证。例如，一个用于一维信号分类的简单全连接网络可以这样构建：

from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense, Dropout, Flatten

model = Sequential([
    Flatten(input_shape=(128, 6)),  # 128个时间步，6个通道
    Dense(64, activation='relu'),
    Dropout(0.3),
    Dense(10, activation='softmax')
])

Functional模型则更为灵活，它允许层与层之间任意连接，支持多输入、多输出以及共享层等复杂拓扑。在Edge Impulse的迁移学习中，Functional模型是主流选择，因为我们需要将预训练模型作为子模块嵌入到新的模型中，并可能冻结其部分层。例如，加载一个预训练的MobileNetV2并添加自定义分类头：

from tensorflow.keras.applications import MobileNetV2
from tensorflow.keras.models import Model
from tensorflow.keras.layers import GlobalAveragePooling2D, Dense

base_model = MobileNetV2(weights='imagenet', include_top=False, input_shape=(96, 96, 3))
base_model.trainable = False  # 冻结特征提取层

x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(128, activation='relu')(x)
predictions = Dense(5, activation='softmax')(x)

model = Model(inputs=base_model.input, outputs=predictions)

在构建阶段，一个常见的误区是忽略输入形状的定义。Edge Impulse的模型导入要求输入形状必须与传感器数据的特征维度严格匹配。例如，加速度计数据经过预处理后可能变成(50, 3)的二维数组，那么第一层就必须指定input_shape=(50, 3)。如果输入形状不匹配，后续的编译和训练阶段会直接抛出维度错误。

3.2 模型编译：优化器、损失函数与评估指标的配置策略

编译阶段是模型从“定义”走向“可训练”的桥梁。在Keras中，model.compile()方法接收三个核心参数：优化器（optimizer）、损失函数（loss）和评估指标（metrics）。这三个参数的选择直接决定了模型训练的效率与最终性能。

优化器负责更新网络的权重。在Edge Impulse的再训练场景中，最常用的优化器是Adam，因为它自适应学习率，对超参数不敏感，收敛速度快。对于迁移学习，通常建议使用较小的学习率（如1e-4或1e-5），以避免破坏预训练模型已经学到的特征。例如：

model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),
              loss='categorical_crossentropy',
              metrics=['accuracy'])

损失函数衡量模型预测值与真实标签之间的差异。对于多分类任务，使用categorical_crossentropy；对于二分类，使用binary_crossentropy；对于回归任务，使用mse（均方误差）。在Edge Impulse中，如果标签是整数索引形式，还需要注意使用sparse_categorical_crossentropy，以避免手动进行one-hot编码。

评估指标用于监控训练过程中的性能。除了accuracy之外，对于不平衡数据集，建议增加Precision、Recall或AUC等指标。在编译时，指标以列表形式传入：

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy', tf.keras.metrics.Precision(), tf.keras.metrics.Recall()])

编译阶段的一个常见误区是忽略优化器状态的保存。在后续的模型保存中，如果使用H5格式且未设置include_optimizer=True，那么加载模型后需要重新编译，否则无法继续训练。而SavedModel格式默认保存优化器状态，这使得再训练过程可以无缝衔接。

3.3 模型训练：fit流程与回调机制

训练阶段通过model.fit()方法执行。在Edge Impulse的再训练场景中，训练数据通常以NumPy数组或TensorFlow Dataset的形式传入。关键参数包括batch_size、epochs、validation_split或validation_data。

一个典型的训练流程如下：

history = model.fit(
    x_train, y_train,
    batch_size=32,
    epochs=50,
    validation_data=(x_val, y_val),
    callbacks=[
        tf.keras.callbacks.EarlyStopping(patience=5, restore_best_weights=True),
        tf.keras.callbacks.ReduceLROnPlateau(factor=0.5, patience=3)
    ]
)

回调机制是训练过程中的重要工具。EarlyStopping可以在验证集性能不再提升时提前终止训练，避免过拟合；ReduceLROnPlateau在验证损失停滞时自动降低学习率，帮助模型跳出局部最优；ModelCheckpoint可以在训练过程中定期保存最佳模型，防止意外中断导致训练成果丢失。

在Edge Impulse的再训练中，一个关键技巧是分层学习率。由于预训练模型的特征提取层已经收敛，我们通常希望以较小的学习率微调这些层，而以较大的学习率训练新添加的分类层。这可以通过为不同层设置不同的学习率来实现：

# 假设模型有base_model和自定义层两部分
for layer in model.layers[:80]:  # 冻结前80层
    layer.trainable = False
# 编译时使用单一学习率，但通过优化器参数控制
optimizer = tf.keras.optimizers.Adam(learning_rate=1e-4)
model.compile(optimizer=optimizer, loss='sparse_categorical_crossentropy', metrics=['accuracy'])

训练过程中的常见误区是忽略数据归一化。Edge Impulse的预处理模块通常已经完成了归一化，但如果直接使用原始数据训练，会导致梯度爆炸或收敛缓慢。建议在训练前检查输入数据的均值和方差，确保数据分布合理。

3.4 模型保存：H5与SavedModel格式的深度对比

模型保存是本章的核心重点。Keras提供了两种主要的保存格式：H5（.h5文件）和SavedModel（目录结构）。这两种格式在文件组织、内容完整性、部署兼容性等方面存在显著差异。

H5格式是Keras早期版本的标准保存格式，它将模型结构、权重、优化器状态和编译信息打包到一个HDF5文件中。H5格式的优点是简单便携，一个文件即可完整保存模型，适合快速备份和分享。然而，H5格式不包含TensorFlow Serving所需的推理签名（SignatureDef），因此无法直接用于生产环境的服务部署。此外，H5格式对自定义层和自定义损失函数的支持较弱，加载时可能需要额外指定自定义对象。

SavedModel格式是TensorFlow官方推荐的现代保存格式，它是一个包含多个文件的目录结构，通常包含saved_model.pb（模型图定义）、variables/（权重文件）和assets/（辅助资源）。SavedModel格式的优势在于：

• 完整性：包含模型结构、权重、优化器状态、编译信息以及推理签名，可以无缝用于TensorFlow Serving、TensorFlow Lite和Edge Impulse等部署平台。
• 兼容性：支持自定义层和自定义损失函数，加载时无需额外指定自定义对象。
• 版本管理：目录结构天然支持版本管理，便于模型迭代。

在Edge Impulse的模型导入中，SavedModel是推荐格式。因为Edge Impulse需要解析模型的输入输出签名，以确定传感器数据的预处理方式和分类结果的输出格式。H5格式虽然也可以导入，但往往需要额外的配置步骤，且对复杂模型的支持不如SavedModel完善。

保存模型的代码示例如下：

# 保存为H5格式
model.save('model.h5', include_optimizer=True)

# 保存为SavedModel格式
model.save('saved_model_dir', save_format='tf')

在Edge Impulse中，导入SavedModel格式时，平台会自动识别模型的输入张量形状和输出张量的类别数。如果模型输出的是softmax概率分布，Edge Impulse会将其转换为类别标签；如果输出的是logits，则需要额外配置softmax层。

3.5 模型加载与再训练：格式差异对迁移学习的影响

模型加载是再训练的前提。Keras提供了tf.keras.models.load_model()方法，可以同时加载H5和SavedModel格式。但加载后的行为存在差异，直接影响再训练的流程。

加载H5格式时，如果保存时包含了优化器状态，加载后的模型可以直接继续训练；如果未包含优化器状态，则需要重新编译。此外，如果模型包含自定义层，加载时必须传入custom_objects参数，否则会抛出ValueError。例如：

from tensorflow.keras.models import load_model
model = load_model('model.h5', custom_objects={'MyLayer': MyLayer})

加载SavedModel格式时，模型的所有信息（包括优化器状态和编译信息）都会被完整恢复，无需重新编译。更重要的是，SavedModel格式保留了模型的推理签名，这使得Edge Impulse可以自动识别模型的输入输出接口，无需手动配置。加载代码非常简单：

model = load_model('saved_model_dir')

在再训练场景中，一个典型的操作是：加载预训练模型，冻结部分层，然后使用新数据继续训练。由于SavedModel格式保留了优化器状态，我们可以直接调用model.fit()继续训练，而无需重新编译。这大大简化了迁移学习的流程。

3.6 常见误区与总结复盘

在Keras模型保存与加载的实践中，以下几个误区值得特别注意：

• 误区一：混淆H5与SavedModel的适用场景。H5适合快速原型验证和模型备份，而SavedModel适合生产部署和Edge Impulse导入。在Edge Impulse项目中，如果使用H5格式，可能会遇到输入输出签名缺失的问题，导致导入失败或推理结果异常。
• 误区二：忽略优化器状态的保存。在保存H5格式时，如果未设置include_optimizer=True，加载后模型无法直接继续训练，需要重新编译。这会导致再训练时学习率、动量等超参数丢失，影响训练效果。
• 误区三：自定义层加载失败。如果模型包含自定义层，保存为H5格式后，加载时必须传入custom_objects参数。而SavedModel格式则无此问题，因此对于包含自定义层的模型，推荐使用SavedModel格式。
• 误区四：忽略输入形状的匹配。在Edge Impulse中导入模型时，输入形状必须与预处理后的数据维度一致。如果模型输入是(96, 96, 3)，而Edge Impulse的窗口大小设置为50个时间步，则会导致维度不匹配错误。

总结复盘：本章系统回顾了Keras模型构建、编译、训练、保存与加载的完整链路。在Edge Impulse的Keras模型导入与再训练实战中，我们应优先选择SavedModel格式，因为它提供了完整的模型信息、推理签名和优化器状态，能够无缝对接Edge Impulse的迁移学习流程。同时，掌握模型构建的Functional范式、编译参数的合理配置以及训练回调的灵活运用，是确保再训练成功的关键。在实际项目中，建议将模型保存为SavedModel格式，并在Edge Impulse中验证输入输出签名，以确保部署的可靠性。