4、构建第一个神经网络模型：使用Keras/TensorFlow构建一个简单的1D-CNN模型，用于三轴加速度计的人体活动识别(HAR)
好，咱们进入实战环节。
前面几章我们把数据采集、预处理、特征工程都聊透了。现在终于到了最激动人心的部分——搭建神经网络模型。我个人觉得，这一步是整个HAR系统的灵魂。模型选得好，识别准确率蹭蹭往上涨；选得不好，前面所有功夫都白费。
这一章，我会带你用Keras/TensorFlow构建一个1D-CNN模型。为什么选1D-CNN？说白了，三轴加速度计的数据就是一维时间序列。1D-CNN天然适合处理这种数据，它能自动提取局部特征，比传统的手工特征工程省心多了。
4.1 为什么是1D-CNN？
你可能会问：为什么不用全连接网络？或者LSTM？
嗯，这里我解释一下。全连接网络会把每个时间点当作独立特征，完全忽略时序关系。LSTM虽然擅长处理序列，但参数量大，训练慢，在资源受限的STM32上部署起来很吃力。
1D-CNN是个折中方案。它通过卷积核在时间轴上滑动，捕捉局部模式。比如走路时加速度的周期性波动，或者上下楼梯时的冲击特征。我在一个项目中做过对比，同样的数据，1D-CNN比全连接网络准确率高8%左右，参数量只有LSTM的十分之一。
核心优势：
- 参数共享，参数量小，适合嵌入式部署
- 平移不变性，对时间偏移不敏感
- 自动特征提取，不需要手工设计特征
4.2 模型架构设计
咱们的模型不需要太复杂。太深的网络在STM32上跑不动，太浅又学不到特征。我建议用3层卷积加2层全连接，这个配置在准确率和计算量之间取得了不错的平衡。
先看整体结构：
| 层名称 | 输出形状 | 参数量 | 说明 |
|---|---|---|---|
| 输入层 | (None, 128, 3) | 0 | 128个时间步，3轴数据 |
| Conv1D_1 | (None, 126, 32) | 320 | 32个3x3卷积核 |
| MaxPooling1D | (None, 63, 32) | 0 | 池化窗口2 |
| Conv1D_2 | (None, 61, 64) | 6208 | 64个3x3卷积核 |
| GlobalAvgPooling | (None, 64) | 0 | 全局平均池化 |
| Dense_1 | (None, 64) | 4160 | 全连接层，ReLU激活 |
| Dropout | (None, 64) | 0 | 丢弃率0.5 |
| Dense_2 | (None, 6) | 390 | 输出层，Softmax |
总参数量约1.1万。你想想看，这么小的模型，在STM32上跑推理只需要几十KB的Flash和几KB的RAM，完全没问题。
4.3 代码实现
好，咱们直接上代码。我用的是Keras Sequential API，简洁明了。
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv1D, MaxPooling1D, GlobalAveragePooling1D
from tensorflow.keras.layers import Dense, Dropout, Input
def build_har_model(input_shape=(128, 3), num_classes=6):
model = Sequential([
Input(shape=input_shape),
# 第一层卷积：提取局部特征
Conv1D(filters=32, kernel_size=3, activation='relu', padding='valid'),
MaxPooling1D(pool_size=2),
# 第二层卷积：提取更高层特征
Conv1D(filters=64, kernel_size=3, activation='relu', padding='valid'),
# 全局平均池化：减少参数量，防止过拟合
GlobalAveragePooling1D(),
# 全连接层
Dense(64, activation='relu'),
Dropout(0.5),
# 输出层
Dense(num_classes, activation='softmax')
])
return model
# 创建模型
model = build_har_model()
model.summary()避坑指南：我曾经在第一个项目中用了padding='same'，结果模型在STM32上推理时边界效应导致准确率下降。后来改成padding='valid'，配合适当的数据重叠，问题就解决了。建议你一开始就用valid，省得后面踩坑。
4.4 编译与训练
模型搭好了，接下来就是编译和训练。这里有几个关键点要注意。
优化器我选Adam，学习率设0.001。为什么？Adam自适应学习率，对新手友好，收敛快。损失函数用categorical_crossentropy，因为咱们是多分类问题。
model.compile(
optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
loss='categorical_crossentropy',
metrics=['accuracy']
)
# 假设你已经准备好了训练数据 X_train, y_train
# X_train形状: (样本数, 128, 3)
# y_train形状: (样本数, 6) one-hot编码
history = model.fit(
X_train, y_train,
batch_size=32,
epochs=50,
validation_split=0.2,
verbose=1
)训练时我习惯加个EarlyStopping回调。设patience=10，如果验证集准确率连续10轮不提升，就提前停止。这能防止过拟合，也能节省时间。
from tensorflow.keras.callbacks import EarlyStopping
early_stop = EarlyStopping(
monitor='val_accuracy',
patience=10,
restore_best_weights=True
)
history = model.fit(
X_train, y_train,
batch_size=32,
epochs=50,
validation_split=0.2,
callbacks=[early_stop],
verbose=1
)注意：batch_size不要设太大。STM32的RAM有限，训练时batch_size=32已经够用。我在项目里试过batch_size=128，虽然训练快了，但模型泛化能力反而下降。32是个黄金数字。
4.5 模型评估与保存
训练完成后，一定要在测试集上评估。别只看训练集准确率，那玩意儿容易骗人。
# 评估模型
test_loss, test_acc = model.evaluate(X_test, y_test, verbose=0)
print(f'测试集准确率: {test_acc:.4f}')
# 保存模型为H5格式
model.save('har_1dcnn_model.h5')
# 转换为TensorFlow Lite格式，方便部署到STM32
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()
with open('har_1dcnn_model.tflite', 'wb') as f:
f.write(tflite_model)我个人习惯同时保存H5和TFLite两个版本。H5用于后续微调或迁移学习，TFLite直接部署到STM32。你想想看，万一以后要改模型，有H5文件就方便多了。
4.6 常见问题与调试技巧
训练过程中可能会遇到一些问题。我把自己踩过的坑总结一下：
- 准确率一直不提升：检查数据预处理。我曾经因为忘记归一化，模型死活不收敛。归一化后准确率直接从30%跳到85%。
- 过拟合严重：训练集准确率99%，测试集只有60%。这时候加大Dropout率，或者减少全连接层神经元数量。我一般从0.5开始调。
- 训练震荡厉害：学习率太高了。降到0.0001试试，或者用学习率衰减。
- 模型太大：减少卷积核数量，或者用深度可分离卷积。我在一个项目中把卷积核从64减到32，参数量减少60%，准确率只降了2%。
经验之谈：不要追求一次训练出完美模型。我通常的做法是：先快速跑10个epoch看趋势，如果loss在下降，再继续训练。如果loss不动，赶紧调参数。这样能节省大量时间。
4.7 小结
这一章我们完成了1D-CNN模型的构建、训练和保存。你手里现在应该有一个能用的HAR模型了。下一章我会教你如何把这个模型部署到STM32上，让它真正跑起来。
记住，模型不是越复杂越好。在嵌入式领域，简单、高效、稳定才是王道。咱们这个1.1万参数的模型，在STM32F4上跑一次推理只需要几毫秒，足够实时处理了。
好，动手试试吧。有问题随时翻回这一章看看，代码都在上面。