MFCC 提取语音特征↓CNN 自动提取高级特征↓Dense层负责分类↓Softmax输出概率↓部署到手机/MCU实时推理。

原始数据通常不能直接给模型。需要：清洗数据过滤噪声提取有意义的信息参数：模型内部自动学习得到的数值。例如：神经网络权重 Weight偏置 Bias这些值：不需要手动设置。训练时自动更新。超参数：人为提前设定的配置项。推理：模型对新数据进行预测。新加速度数据↓提取特征↓送入模型↓输出：circleAI数据↓特征↓模型↓损失↓反向传播↓更新参数↓越来越准而 TinyML 的核心难点：不是“训练”。

作用：判断系统是否异常可使用：有监督学习无监督学习学习内容：神经网络工作原理分类输出概率反向传播损失函数。

1️⃣ 明确任务（检测什么）2️⃣ 获取数据（找 or 自制）3️⃣ 标注数据（YOLO格式）4️⃣ 划分数据集5️⃣ 写data.yaml6️⃣ 训练模型7️⃣ 评估效果👉数据质量 > 模型本身。

原始数据通常不能直接给模型。需要：清洗数据过滤噪声提取有意义的信息参数：模型内部自动学习得到的数值。例如：神经网络权重 Weight偏置 Bias这些值：不需要手动设置。训练时自动更新。超参数：人为提前设定的配置项。推理：模型对新数据进行预测。新加速度数据↓提取特征↓送入模型↓输出：circleAI数据↓特征↓模型↓损失↓反向传播↓更新参数↓越来越准而 TinyML 的核心难点：不是“训练”。

作用：判断系统是否异常可使用：有监督学习无监督学习学习内容：神经网络工作原理分类输出概率反向传播损失函数。

📌 TensorFlow 训练模型常见导入总结。

输入↓第一层↓第二层↓输出x = 1.57输入Tensor↓隐藏层Tensor↓输出Tensor这些过程数据都需要内存存放。

神经网络输出的是“概率分数”如果 hello > 0.6则认为检测成功暂停继续推理自动化机器学习真正工程重点包括：阈值设计ROC/AUC分析误判控制输出平滑CPU资源管理Hold-off机制AI协处理器传感器融合MCU部署验证。

神经网络输出的是“概率分数”如果 hello > 0.6则认为检测成功暂停继续推理自动化机器学习真正工程重点包括：阈值设计ROC/AUC分析误判控制输出平滑CPU资源管理Hold-off机制AI协处理器传感器融合MCU部署验证。