00:07 - 进入神经网络分类器页面完成特征提取后进入神经网络分类器页面。这里可以配置模型与训练过程。这些配置项都属于“超参数”。一、训练中的核心超参数00:23 - Epoch训练轮数模型完整遍历一次训练集并更新参数。这称为一个 Epoch周期。Epoch 数量可以手动调整。00:38 - 学习率Learning Rate控制模型参数每次更新的幅度步长。学习率太大训练可能不稳定。学习率太小训练速度很慢。00:45 - 最低置信度Minimum Confidence训练时不会使用。在验证或测试阶段使用。如果预测概率低于该值则会被标记为“不确定”。二、神经网络结构Dense 全连接网络00:59 - 三层神经网络这是一个简单的 Dense全连接神经网络。每层节点之间全部互相连接。网络结构输入层 → 隐藏层1 → 隐藏层2 → 输出层01:13 - 输入特征输入是之前提取出的 33 个特征。特征本质上只是数字。这些特征会组成一个长度为 33 的数组。01:20 - 第一层神经元第一层有 20 个节点神经元。每个节点都会接收到全部 33 个输入特征。每个节点执行输入 × 权重Weight加上偏置Bias全部求和通过激活函数01:46 - ReLU 激活函数使用 ReLU整流线性单元作为激活函数。ReLU 会增加模型的非线性表达能力。神经网络因此具备“决策能力”。02:04 - 输出层与 Softmax最后一层节点数量 分类类别数量。这里有 4 个类别因此有 4 个输出节点。输出层使用 SoftmaxSoftmax 的作用将输出转换为概率。每个概率范围0~1。所有概率总和 1。例如P1 0.1 P2 0.2 P3 0.6 P4 0.1则模型预测属于第三类。三、训练过程Forward Backpropagation03:15 - 输入训练样本取一个训练样本的特征输入模型。每个样本都对应一个标签。例如特征 → [0.2, 0.8, 0.5 ...] 标签 → 类别203:28 - 参数随机初始化神经网络刚开始时权重随机偏置随机所以最开始预测通常很差。03:36 - 前向传播Forward Propagation数据从输入层一路计算到输出层。最终得到预测结果。流程输入 → 隐藏层 → 输出层 → 概率03:49 - 损失函数Loss Function损失函数用于衡量预测错误程度。预测越差Loss 越大。损失函数目标Loss 越低越好。04:09 - 反向传播Backpropagation根据 Loss 更新模型参数。更新对象权重偏置核心目标让下一次预测更准确。04:23 - 一个 Epoch 的定义当训练集所有样本都跑完一次。就完成了一个 Epoch。04:35 - Loss 与 Accuracy 变化训练过程中通常会出现Loss一开始很高后面逐渐下降最后趋于稳定Accuracy一开始很低后面逐渐升高最后趋于稳定关系Loss ↓ Accuracy ↑四、验证集Validation Set05:47 - Edge Impulse 自动划分验证集Edge Impulse 会从训练集中随机抽取 20%。这些数据用于验证。注意验证集不参与参数更新。仅用于评估模型泛化能力。06:17 - 验证 Loss 与 Accuracy理想情况训练集表现 ≈ 验证集表现如果训练很好 验证很差说明模型可能过拟合。五、混淆矩阵Confusion Matrix07:17 - 混淆矩阵作用用于观察实际类别预测类别可以快速发现哪些类别容易混淆哪些类别识别效果差六、欠拟合与过拟合15:22 - 欠拟合Underfitting特点模型太简单。无法学习数据规律。训练集和验证集表现都差。表现Accuracy 很低Loss 很高解决方法增加训练时间增加特征增加网络层数增加节点数收集更多数据16:52 - 过拟合Overfitting特点模型记住了训练数据。对新数据泛化能力差。表现训练准确率很高验证准确率很低即训练集很好 验证集很差七、解决过拟合的方法20:32 - Early Stopping早停法原理当验证集效果开始下降时停止训练。作用防止模型继续记忆训练数据。Edge Impulse默认已经自动启用早停法。21:14 - 降低模型复杂度方法减少层数减少节点数量因为模型越复杂越容易过拟合。21:25 - 正则化Regularization作用惩罚过于复杂的模型。限制参数过大。Edge Impulse默认加入 L2 正则化。L2 正则化λ正则化强度超参数21:49 - Dropout原理训练时随机关闭部分神经元。作用防止模型过度依赖某些节点。提高泛化能力。八、推理Inference22:34 - 推理是什么推理使用训练好的模型处理未知数据。输出预测结果。即新数据 → 模型 → 预测九、TensorFlow Lite 与 Int8 量化22:53 - 下载模型Edge Impulse 下载的是 TensorFlow Lite 模型。使用 Int8 量化版本。24:01 - 为什么量化量化将浮点数转换为整数。例如float → int8作用降低内存占用提高 MCU 推理速度缺点精度会略微下降十、模型输入输出23:46 - 输入格式模型输入1 × 33 的 int8 数组即33 个特征每个特征是 int824:35 - 输出格式模型输出4 个 int8 数值对应4 个类别的概率。十一、Edge Impulse 推理流程25:31 - Edge Impulse 库功能下载的库包含特征提取代码神经网络模型推理函数25:45 - 实际推理步骤步骤采集加速度计数据保存到数组特征提取输入模型输出概率选择最大概率类别十二、实时动作识别26:50 - 实时分类流程循环执行采样 → 特征提取 → 推理 → 执行动作27:11 - 阈值判断置信度例如如果P(left_right) 0.5则执行对应动作。阈值越高越严格越低越宽松十三、实时系统中的问题28:07 - 推理耗时问题特征提取和推理需要时间。可能导致漏采样。28:33 - 定时器方案方法每隔固定时间触发采样。例如每 16ms 采样一次。28:45 - DMA 方案DMADirect Memory Access直接内存访问作用后台自动采集数据。CPU 可以同时执行推理。29:09 - 滑动窗口原理新窗口与旧窗口部分重叠。持续进行实时分类。例如窗口10~2秒 窗口21~3秒 窗口32~4秒十四、整体流程总结完整 Edge Impulse 工作流收集数据数据打标签特征提取划分训练/验证/测试集训练模型调整超参数检查 Loss 与 Accuracy检查过拟合/欠拟合导出 TensorFlow Lite 模型部署到 MCU实时采样特征提取推理执行动作