TensorFlow Lite模型预测输出全为0问题求助

用TensorFlow 2.10构建的分类模型在PC端运行正常，但转成TensorFlow Lite格式后，在Flutter的Android 13设备上预测输出全为0，无法定位问题原因。

Dart 数据处理与推理代码 #

final String column_order = List ColumnOrderData = await json.decode(column_order);
var beacons = data[0]['beacons'];
var exampleData = List<double>.filled(234, 0);

for (var i = 0; i < beacons.length; i++) {
  var beaconName = beacons[i]['beaconName'];
  double beaconRssiValue = beacons[i]['rssi'].toDouble();
  if (beaconRssiValue != 127) {
    beaconRssiValue = (beaconRssiValue * (-1)) / 105;
    int index = ColumnOrderData.indexWhere((element) => element == beaconName);
    exampleData[index] = beaconRssiValue;
  }
}

var output = List<double>.filled(4, 0);
final interpreter = await Interpreter.fromAsset('assets/model.tflite');
interpreter.run([exampleData], output.reshape([1, 4]));

TensorFlow 模型定义代码 #

visible = Input(shape=(234,))
hidden1 = Dense(250, activation='relu', kernel_initializer='he_normal')(visible)
drp1 = Dropout(0.5)(hidden1)
norm1 = BatchNormalization()(drp1)
hidden2 = Dense(125, activation='relu', kernel_initializer='he_normal')(norm1)
drp2 = Dropout(0.5)(hidden2)
norm2 = BatchNormalization()(drp2)
hidden3 = Dense(80, activation='relu', kernel_initializer='he_normal')(norm2)
drp3 = Dropout(0.5)(hidden3)
norm3 = BatchNormalization()(drp3)
hidden4 = Dense(40, activation='relu', kernel_initializer='he_normal')(norm3)
drp4 = Dropout(0.5)(hidden4)
norm4 = BatchNormalization()(drp4)
out_reg = Dense(4, activation='softmax')(norm4)
model = Model(inputs=visible, outputs=[out_reg])
model.compile(loss='categorical_crossentropy', optimizer=Adam(learning_rate=0.001))

TFLite 模型转换代码 #

tf.saved_model.save(model, 'saved_models\\')
converter = tf.lite.TFLiteConverter.from_saved_model('saved_models\\')
tflite_model = converter.convert()
with open('model.tflite', 'wb') as f:
  f.write(tflite_model)

输入输出示例 #

输入数据 #

[0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.8952380952380953, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.9523809523809523, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.8952380952380953, 0.0, 0.0, 0.9238095238095239, 0.9428571428571428, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0]

输出结果 #

[0.0, 0.0, 0.0, 0.0]

排查与解决方向 #

1. Dropout层推理状态校验：训练时Dropout会随机失活神经元，但推理阶段应自动关闭。转换前先调用model.trainable = False，确保所有层切换到推理模式再保存模型。
2. BatchNormalization层参数确认：BatchNormalization在训练时更新均值方差，推理时需使用训练好的固定值。可在模型保存前手动调用一次model.predict()，触发层的推理模式初始化。
3. 关闭TFLite转换优化：默认优化可能导致精度丢失，尝试强制使用float32精度：

   converter = tf.lite.TFLiteConverter.from_saved_model('saved_models\\')
   converter.optimizations = []
   converter.target_spec.supported_types = [tf.float32]
   tflite_model = converter.convert()
   

4. 输入数据一致性检查：核对Dart代码中ColumnOrderData的加载逻辑、索引匹配规则、Rssi归一化计算，确保和PC端训练/测试时的处理完全一致。
5. 输入输出形状匹配验证：在Dart中打印interpreter.getInputTensor(0).shape和interpreter.getOutputTensor(0).shape，确认与模型定义的(1,234)、(1,4)一致。
6. SavedModel签名检查：使用saved_model_cli show --dir saved_models\\ --all查看模型签名，确认输入输出的形状、类型符合预期。

内容的提问来源于stack exchange，提问作者I'mStuckOnLine911