CoreMLTools转换TensorFlow模型后在Swift中预测完全错误

问题背景 #

离线训练的Keras模型（包含CNN、LSTM层，输出为单数值）在Python测试集上损失率较低，但通过CoreMLTools转换为Core ML模型并部署到iOS Swift环境后，预测结果近乎随机。

已尝试的无效方案 #

• 以FP32精度导出模型
• 设置Core ML为CPU-only计算模式
• 确认Swift端输入数据与Python测试时完全一致，排除预处理差异

相关代码 #

Python导出模型代码 #

coreml_model = coremltools.converters.convert(
    model,
    source="tensorflow",
    inputs=[
        coremltools.TensorType(
            shape=(
                1,
                x_train.shape[1],
                x_train.shape[2],
            ),
            dtype=np.float32,
            name="my_data_input",
        )
    ],
    # 已测试开启/关闭这两行的情况
    compute_precision=coremltools.precision.FLOAT32,
    convert_to="mlprogram",
)

Python生成硬编码测试数据代码 #

oneDArr = []
for timestep in range(data.x_test.shape[1]):
    for sensor_num in range(data.x_test.shape[2]):
        oneDArr.append(str(data.x_test[my_chosen_index][timestep][sensor_num]))

print(",".join(oneDArr))

Swift调用模型代码 #

// 硬编码数据来自Python测试时的真实X_Test值
let myArrs: [[Double]] = [[-1.680063009262085, 0.7335805893, -4.93632972240448, -2.826584279537201, ..., -1.5832659602165222, 0.3495193272829056], ... [-4.035530686378479, 1.160736083984375, ...,  12.94029951095581]]
for subArray in myArrs {
    let mlArray = try! MLMultiArray(shape: [1 as NSNumber, TIEM_STEPS as NSNumber, SENSOR_DIMS as NSNumber], dataType: MLMultiArrayDataType.float32)
    
    for (idx, val) in subArray.enumerated() {
        mlArray[idx] = val as NSNumber
    }
    
    // 已测试开启/关闭CPU-only配置的情况
    let config = MLModelConfiguration()
    config.computeUnits = .cpuOnly
    let model = try! MyModel(configuration: config)
    let prediction: MyModelOutput = try! model.prediction(
        input: MyModelInput(my_data_input: mlArray)
    )
    let outputRaw = prediction.Identity[0].floatValue
    print("Found \(outputRaw)")
}

额外排查点建议 #

• 检查输入维度顺序：TensorFlow后端的Keras默认数据格式为(batch, timesteps, features)，但Core ML对LSTM层的维度解析可能存在差异。可尝试在转换时显式指定输入布局，或在Python中转置维度后再导出测试。
• 验证转换后模型参数一致性：用CoreMLTools的coreml_model.inspect_layers()方法查看转换后模型的权重、偏置等参数，与原Keras模型对应层的参数抽样对比，确认转换过程中无参数失真。
• 在Python端测试Core ML模型：直接用CoreMLTools加载转换后的.mlmodel或.mlpackage，输入相同测试数据，对比与原Keras模型的输出差异。若Python端Core ML输出异常，问题出在转换环节；若正常，则排查Swift端调用逻辑。
• 排查LSTM层实现差异：TensorFlow与Core ML的LSTM在门控实现、序列处理方向等细节上可能存在差异。可将LSTM替换为SimpleRNN做最小化测试，定位问题是否源于LSTM层转换。
• 检查MLMultiArray内存布局：MLMultiArray默认是行优先还是列优先？确认Swift端构造的MLMultiArray数据布局与原Keras模型一致。可构造极小测试输入（如2个时间步、2个特征），对比Python和Swift端的中间层输出，定位差异出现的环节。
• 验证输出层逻辑：原Keras模型输出是否带有激活函数（如sigmoid、relu）？检查转换后的Core ML模型输出层配置，确认激活逻辑与原模型一致。
• 尝试不同CoreMLTools版本：不同版本的CoreMLTools对TensorFlow模型的转换支持存在差异，可尝试降级或升级到5.x/6.x稳定版重新转换测试。
• 禁用MLProgram格式测试：尝试转换为旧版.mlmodel格式（去掉convert_to参数），排除MLProgram格式的兼容性问题。

内容的提问来源于stack exchange，提问作者JJJohnson34