Flutter中TFLite分类模型始终输出0.0的原因排查

1. 输入缺失Batch维度 #

你的模型输入定义是[1, 50, 7]（对应1个样本、50个时间步、7个特征），但你在Flutter里传入的group32Float是[50,7]的结构，少了最外层的batch轴。Python运行时应该是隐式或显式补了这个维度（比如用input_data = input_data[np.newaxis, ...]），但Flutter里没做，导致模型输入形状不匹配，直接输出异常值。

修复代码：
给输入加上batch维度，比如用嵌套列表包裹：

List<List<Float32List>> inputWithBatch = [group32Float];
interpreter!.run(inputWithBatch, output);

或者用扁平化的数组重塑形状：

// 把50*7的列表扁平化
List<double> flatInput = [];
group.forEach((row) => flatInput.addAll(row));
Float32List inputTensor = Float32List.fromList(flatInput);
// 重塑为[1,50,7]的形状传入
interpreter!.run(inputTensor.reshape([1, 50, 7]), output);

2. 数据预处理和训练时不一致 #

训练模型时你肯定对输入数据做了标准化/归一化（比如减均值、除以标准差），但Flutter里直接用原始传感器数据，导致模型接收到的输入分布和训练时完全不同，模型无法正确预测，输出就会一直趋近于0。

解决步骤：

• 先导出训练时的预处理参数：

  # 训练阶段计算并保存每个特征的均值和标准差
  import numpy as np
  mean = X_train.mean(axis=0)
  std = X_train.std(axis=0)
  np.save('feature_mean.npy', mean)
  np.save('feature_std.npy', std)
  

• 在Flutter中对输入数据做同样的预处理：

  // 假设已经加载了mean和std数组（长度为7）
  List<double> normalizeRow(List<double> rawRow) {
    List<double> normalized = [];
    for (int i = 0; i < rawRow.length; i++) {
      normalized.add((rawRow[i] - mean[i]) / std[i]);
    }
    return normalized;
  }
  
  // 处理每一行数据后再转成Float32List
  List<Float32List> group32Float = [];
  for (var row in group) {
    var normalized = normalizeRow(row);
    group32Float.add(Float32List.fromList(normalized));
  }
  // 加上batch维度传入模型
  interpreter!.run([group32Float], output);
  

另外注意：第一列是时间戳，如果训练时你对时间戳做了特殊处理（比如差分、归一化），Flutter里必须完全复刻这个逻辑，否则时间戳的数值范围会干扰模型预测。

3. 检查输出张量的初始化 #

确保Flutter中的输出张量形状和类型正确。你的模型输出是单个sigmoid值，所以输出必须是长度为1的Float32List：

Float32List output = Float32List(1); // 正确初始化
interpreter!.run(inputWithBatch, [output]);
print(output[0]); // 打印实际输出值

如果输出张量初始化错误（比如长度为0、类型不匹配），可能会一直显示0.0。

4. 验证TFLite模型的输入输出信息 #

用Python的TensorFlow Lite工具检查模型的输入输出参数，确认是否和预期一致：

import tensorflow as tf

interpreter = tf.lite.Interpreter(model_path='model.tflite')
interpreter.allocate_tensors()

input_info = interpreter.get_input_details()[0]
output_info = interpreter.get_output_details()[0]

print(f"输入形状: {input_info['shape']}")
print(f"输入数据类型: {input_info['dtype']}")
print(f"输出形状: {output_info['shape']}")
print(f"输出数据类型: {output_info['dtype']}")

如果输入形状是[50,7]（无batch维度），那Flutter里不需要加batch轴，但这种情况和你Python运行的情况矛盾，所以大概率是模型导出时保留了batch维度。

内容的提问来源于stack exchange，提问作者Cubelated