模型转TFLite量化后仅识别0类，1类无法分类的问题求助

核心错误：二分类输出的预测逻辑错误 #

你的模型最后一层是Dense(1, activation='sigmoid')，属于二分类单输出结构，输出值范围是[0,1]，代表样本属于类别1的概率。但你在TFLite推理时错误使用了np.argmax()：

prediction_classes = np.argmax(tflite_model_predictions, axis=1)

由于输出张量形状为(74485, 1)，每个样本仅对应1个输出值，argmax在axis=1维度上只能返回0，导致所有样本都被判定为类别0，这就是1类完全无法识别的直接原因。

修正后的预测代码 #

将预测逻辑改为基于阈值的二分类判断（通常取0.5作为分界）：

# 替换原有的prediction_classes计算逻辑
prediction_classes = (tflite_model_predictions > 0.5).astype(int).flatten()

• >0.5：将概率大于0.5的样本判定为类别1
• astype(int)：将布尔结果转为0/1整数标签
• flatten()：将形状从(74485,1)转为(74485,)，与y_test的形状匹配

额外验证与优化建议 #

1. 量化模型一致性检查：
   确保加载的tflite_qaware_model.tflite是通过converter.optimizations = [tf.lite.Optimize.DEFAULT]生成的量化模型，且保存路径正确。
2. 批量推理内存优化：
   一次性将输入张量resize到74485样本可能占用较多内存，建议改用批量推理：

   interpreter = tf.lite.Interpreter(model_path="tflite_qaware_model.tflite")
   interpreter.allocate_tensors()
   input_details = interpreter.get_input_details()
   output_details = interpreter.get_output_details()
   
   batch_size = 32
   prediction_classes = []
   for i in range(0, len(X_test_numpy), batch_size):
       batch = X_test_numpy[i:i+batch_size]
       interpreter.set_tensor(input_details[0]['index'], batch)
       interpreter.invoke()
       batch_preds = interpreter.get_tensor(output_details[0]['index'])
       prediction_classes.extend((batch_preds > 0.5).astype(int).flatten())
   prediction_classes = np.array(prediction_classes)
   

3. 输入数据匹配验证：
   确保X_test_numpy的预处理逻辑和训练时完全一致，比如是否做了归一化/标准化操作（若训练阶段执行过）。

修正结果验证 #

修正后重新生成混淆矩阵和分类报告，结果应与原模型的准确率（99%+）接近，可正常识别类别1。

内容的提问来源于stack exchange，提问作者Frenzy