二、模型训练与优化（1）：构建并训练模型

1. 安装 Anaconda（推荐）

步骤：

2. 创建并激活虚拟环境

步骤：

3. 安装必要的库

步骤：

4. 编写训练脚本

步骤：

5. 运行训练脚本

步骤：

总结：

在完成了准备工作的基础上，接下来进行模型训练与优化。以 MNIST 手写数字识别 为例，使用 TensorFlow 和 Keras 构建、训练并优化一个简单的神经网络模型，并为后续部署到 STM32 做准备。

目前已经完成了 Python、TensorFlow/Keras 等环境的安装与配置，具体准备工作见博客：

一、准备工作（1）：在计算机中安装Python-CSDN博客

一、准备工作（2）：部署TensorFlow和Keras-CSDN博客

1. 安装 Anaconda（推荐）

Anaconda 是一个非常流行的 Python 发行版，包含了大量的数据科学和机器学习库，并且提供了虚拟环境管理工具 conda。使用 Anaconda 可以简化库的安装和环境配置，特别适合初学者。

步骤：

（1）下载 Anaconda 安装程序：

访问 Anaconda 官方下载页面。填写邮箱后，相应下载链接就会发送到邮箱，点击下载

在页面中，找到适用于 Windows 的下载选项，点击下载 64-bit Graphical Installer（图形安装程序）。

（2）运行安装程序：

双击下载的 .exe 文件启动安装向导。
重要：在安装过程中，建议勾选 “Add Anaconda to my PATH environment variable” 和 “Register Anaconda as my default Python” 选项。这将方便在命令行中使用 conda 和 python 命令。
按照安装向导的提示完成安装过程。

（3）验证安装：

打开 Anaconda Prompt：
- 点击 “开始” 菜单，搜索 “Anaconda Prompt” 并打开。

检查 Anaconda 版本：
- 在 Anaconda Prompt 中输入：
```
conda --version
```
  显示类似 conda 4.x.x 的版本号。

2. 创建并激活虚拟环境

虚拟环境可以隔离不同项目的依赖，避免包版本冲突。接下来创建一个名为 tf_env 的虚拟环境，并在其中安装 TensorFlow 和 Keras。

步骤：

打开 Anaconda Prompt：
- 点击 “开始” 菜单，搜索 “Anaconda Prompt” 并打开。
创建虚拟环境：
- 在 Anaconda Prompt 中输入以下命令，并按回车：
```
conda create -n tf_env python=3.10
```
- 解释：
  - conda create：创建一个新的环境。
  - -n tf_env：环境名称为 tf_env。
  - python=3.10：指定 Python 版本为 3.10。python=3.10：指定 Python 版本为 3.10。这里为什么指定版本为3.10，有什么依据-CSDN博客
确认创建：
- 安装过程中会显示即将安装的包列表，输入 y 并按回车确认
激活虚拟环境：
- 创建完成后，输入以下命令激活环境：
```
conda activate tf_env
```
- 提示：激活后，命令提示符前会显示 (tf_env)，表示当前处于 tf_env 环境中。

3. 安装必要的库

在激活的虚拟环境中，安装 TensorFlow、Keras 以及其他必要的库（如 numpy、matplotlib）。

步骤：

更新 conda：
- 虽然不一定必要，但建议更新 conda 以获取最新的包信息：
```
conda update conda
```
- 输入 y 并按回车确认更新。
安装 TensorFlow 和 Keras：
- 输入以下命令并按回车：
```
conda install tensorflow keras
```
- 这里安装时间比较久，可以多等一会
- 解释：
  - conda install：使用 conda 安装包。
  - tensorflow keras：安装 TensorFlow 和 Keras。
安装其他库：
- 还可以安装 numpy 和 matplotlib，用于数据处理和可视化：
```
conda install numpy matplotlib
```
确认安装：
- 安装过程中会显示将要安装的包列表，输入 y 并按回车确认。

4. 编写训练脚本

现在，开始编写一个 Python 脚本来构建、训练并评估我们的模型。我们将使用 MNIST 数据集作为示例。

步骤：

选择代码编辑器：

可以使用任何文本编辑器（如 Notepad、Notepad++）或集成开发环境（如 VSCode、PyCharm）。推荐使用 VSCode，它功能强大且免费。
- 下载 VSCode（如果尚未安装）：
  - 访问 VSCode 官方下载页面。
  - 下载并安装适用于 Windows 的版本。
创建项目文件夹：
- 在电脑中创建一个新的文件夹： C:\Users\FCZ\Desktop\Projects\mnist_project。
创建 Python 脚本：
- 打开 VSCode。
- 点击 “文件” > “打开文件夹”，选择刚才创建的 mnist_project 文件夹。
- 在左侧的文件资源管理器中，右键点击空白区域，选择 “新建文件”，命名为 train_mnist.py。

编写训练代码：

在 train_mnist.py 中复制并粘贴以下代码：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as pltdef main():# 1. 加载 MNIST 数据集(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()# 2. 数据预处理# 将灰度像素值（0~255）归一化到 0~1 之间x_train = x_train.astype("float32") / 255.0x_test  = x_test.astype("float32") / 255.0# 将图像张量拉伸为 (28*28) 向量x_train = x_train.reshape(-1, 28 * 28)x_test  = x_test.reshape(-1, 28 * 28)# 3. 构建模型model = tf.keras.models.Sequential([tf.keras.layers.Dense(128, activation='relu', input_shape=(784,)),tf.keras.layers.Dense(10, activation='softmax')])# 4. 编译模型model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])# 5. 训练模型history = model.fit(x_train, y_train,epochs=5,batch_size=64,validation_split=0.1  # 从训练数据中分出 10% 做验证)# 6. 模型评估test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)print(f"\n测试集上的准确率: {test_acc:.4f}")# 7. 保存模型model.save("mnist_model.h5")# 或者保存为 TensorFlow SavedModel 格式# model.save("mnist_saved_model", save_format="tf")# 8. 可视化训练过程plot_history(history)def plot_history(history):"""可视化训练曲线"""acc = history.history['accuracy']val_acc = history.history['val_accuracy']loss = history.history['loss']val_loss = history.history['val_loss']epochs_range = range(len(acc))plt.figure(figsize=(12, 4))# 绘制准确率曲线plt.subplot(1, 2, 1)plt.plot(epochs_range, acc, label='训练准确率')plt.plot(epochs_range, val_acc, label='验证准确率')plt.legend(loc='lower right')plt.title('训练和验证准确率')# 绘制损失曲线plt.subplot(1, 2, 2)plt.plot(epochs_range, loss, label='训练损失')plt.plot(epochs_range, val_loss, label='验证损失')plt.legend(loc='upper right')plt.title('训练和验证损失')plt.show()if __name__ == "__main__":main()

保存文件： 按 Ctrl + S 保存 train_mnist.py。

5. 运行训练脚本

现在，可以运行刚才编写的训练脚本，开始训练模型。

步骤：

打开 Anaconda Prompt 并激活虚拟环境：
- 打开 Anaconda Prompt。
- 激活之前创建的虚拟环境 tf_env：
```
conda activate tf_env
```
- 提示：命令提示符前会显示 (tf_env)。
导航到项目目录：
- 在 Anaconda Prompt 中，输入以下命令并按回车：
```
cd C:\Users\FCZ\Desktop\Projects\mnist_project
```
运行训练脚本：
- 输入以下命令并按回车：
```
python train_mnist.py
```
- 解释： 这将执行 train_mnist.py 脚本，开始训练模型。
观察训练过程：
- 会看到类似以下的输出：
- 说明：
  - 每个 epoch 显示训练损失、训练准确率、验证损失和验证准确率。
  - 训练完成后，会显示测试集上的准确率。
  - 如果安装了 matplotlib，还会弹出一个窗口显示训练和验证的准确率及损失曲线。

脚本训练过程中报的OpenMP的错误信息：

OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5 already initialized.
OMP: Hint This means that multiple copies of the OpenMP runtime have been linked into the program. That is dangerous, since it can degrade performance or cause incorrect results. ...

解决办法：TensorFlow 和 Keras 进行模型训练时遇到了 OpenMP 的错误信息-CSDN博客