4、TinyML “Hello World”：构建与训练模型

TinyML “Hello World”：构建与训练模型

1. 机器学习工作流程概述

在机器学习中，训练模型后需要验证其性能。最后一步是在测试数据上运行模型，确认其表现与验证阶段一致。若不一致，可能模型对训练和验证数据过拟合了，此时或许要重新设计模型架构，因为继续调整以提升测试数据性能，可能会导致对测试数据也过拟合。

当模型在训练、验证和测试数据上表现良好时，训练阶段结束，接下来要让模型能在设备上运行。

1.1 模型转换

通常使用 TensorFlow 构建和训练模型，它本质是一组指令，告知解释器如何转换数据以产生输出。不过，TensorFlow 解释器是为强大的桌面计算机和服务器设计的，而要在微型微控制器上运行模型，就需要专门的解释器，TensorFlow Lite 就是为此提供的工具集。

在 TensorFlow Lite 运行模型前，需先将模型转换为 TensorFlow Lite 格式并保存为文件，可使用 TensorFlow Lite Converter 完成，该工具还能进行特殊优化，在不牺牲性能的前提下减小模型大小、加快运行速度。

1.2 运行推理

模型转换后就可部署了。使用 TensorFlow Lite for Microcontrollers C++ 库加载模型并进行预测。这需要编写代码将传感器的原始输入数据转换为模型训练时的格式，再将转换后的数据传入模型进行推理，得到包含预测结果的输出数据。

对于分类模型，输出是每个类别的得分，如“正常”和“异常”。一般所有类别的得分总和为 1，得分最高的类别就是预测结果，得分差距越大，预测的置信度越高。以下是一些示例输