第2章：TFLite模型基础

好，咱们正式开始动手了。这一章我带你走一遍从训练模型到转换成TFLite格式的完整流程。说白了，就是搞清楚你的模型是怎么从电脑里的"数字玩具"变成能在单片机上跑的"小精灵"的。

2.1 TensorFlow模型训练基础

先聊点基础的。TensorFlow这玩意儿，我刚开始接触的时候也觉得挺唬人。但用久了你会发现，核心就三件事：定义模型、编译模型、训练模型。

我个人习惯把训练过程想象成教小孩认数字。你给他看一堆数字图片，告诉他"这是1，这是2"，他慢慢就学会了。模型训练也是这个道理——给它数据，告诉它正确答案，它自己调整内部参数。

嗯，这里要注意一点：训练集和测试集一定要分开。我曾经犯过这个错，把同一份数据又训练又测试，结果准确率99%，一上真实数据直接崩了。说白了就是模型"背答案"了，根本没学会。

2.2 Keras构建简单模型

Keras是TensorFlow的高级API，用起来特别顺手。我建议新手都从这里入手。你想想看，用几行代码就能搭出一个神经网络，多爽。

咱们来搭一个最简单的全连接网络，用于手写数字识别（MNIST数据集）：

import tensorflow as tf
from tensorflow import keras

# 加载数据
mnist = keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据预处理
x_train = x_train.reshape(-1, 784).astype('float32') / 255.0
x_test = x_test.reshape(-1, 784).astype('float32') / 255.0

# 构建模型
model = keras.Sequential([
    keras.layers.Dense(128, activation='relu', input_shape=(784,)),
    keras.layers.Dense(64, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=5, batch_size=32, validation_split=0.1)

这段代码我解释一下：

• Sequential：顺序模型，一层接一层
• Dense：全连接层，128和64是神经元数量
• relu：激活函数，说白了就是给网络加点"非线性"
• softmax：输出层用的，把结果变成概率

2.3 模型保存为SavedModel与H5格式

模型训练好了，得保存下来。TensorFlow支持两种主流格式：SavedModel和H5。

SavedModel格式：这是TensorFlow自家的标准格式，包含模型结构、权重、训练配置等。我建议在部署场景下优先用这个。

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

# 保存为H5格式
model.save('my_mnist_model.h5')

H5格式：Keras的经典格式，就是一个文件，方便传输。但要注意，它不保存优化器状态，所以如果你想接着训练，得重新编译。

格式	优点	缺点	推荐场景
SavedModel	完整保存，可部署	文件夹形式，文件多	生产部署
H5	单个文件，方便分享	不保存优化器状态	模型交换、存档

2.4 模型转换为FlatBuffer（tflite格式）

终于到重点了。TFLite Micro用的是FlatBuffer格式，说白了就是把模型"压缩"成一种特别紧凑的二进制格式，让单片机也能读懂。

转换过程分两步：

1. 加载模型：从SavedModel或H5加载
2. 转换并量化：用TFLiteConverter转换，可选量化

import tensorflow as tf

# 加载SavedModel模型
model = tf.saved_model.load('my_mnist_model')

# 创建转换器
converter = tf.lite.TFLiteConverter.from_saved_model('my_mnist_model')

# 可选：量化（减少模型大小）
converter.optimizations = [tf.lite.Optimize.DEFAULT]

# 转换模型
tflite_model = converter.convert()

# 保存为.tflite文件
with open('model.tflite', 'wb') as f:
    f.write(tflite_model)

print(f"模型大小：{len(tflite_model)} 字节")

这段代码里，converter.optimizations = [tf.lite.Optimize.DEFAULT]这行是关键。它告诉转换器做量化——把32位浮点数变成8位整数。效果怎么样？我实测过，模型大小能缩小4倍，速度提升2-3倍，准确率只下降不到1%。

为什么会这样？因为单片机没有浮点运算单元（FPU），处理浮点数特别慢。量化成整数后，直接用整数运算，快得多。

嗯，这里要提醒一句：量化不是万能的。如果你的模型对精度特别敏感（比如医疗诊断），量化后准确率下降可能不可接受。我建议先做小批量测试，看看效果再决定。

2.5 避坑指南

最后，分享几个我踩过的坑：

• 输入形状不匹配：训练时用的(28,28)，转换时要求(1,28,28,1)，多了一个batch维度和通道维度。解决办法：在转换前用input_shape参数指定。
• 不支持的操作：有些TensorFlow操作TFLite不支持，比如某些自定义层。我建议尽量用标准操作，少用花哨的。
• 量化后精度暴跌：如果量化后准确率从95%掉到60%，说明模型对量化太敏感。可以试试tf.lite.Optimize.OPTIMIZE_FOR_SIZE，或者只量化权重不量化激活。

好了，这一章的内容就到这儿。你学会了怎么用Keras搭模型、保存模型、转换成TFLite格式。下一章咱们就真刀真枪地部署到开发板上跑起来。