如何让TensorFlow 2导出的TFLite模型支持一维数组输入？

Keras的Input层默认会自动添加批量维度（即None对应的维度），转TFLite后会被固化为1，导致输入形状变成(1,128)。要直接得到一维(128,)的输入，可以通过以下两种方式处理：

1. 导出TFLite时强制修改输入形状 #

利用TFLite转换器的input_shapes参数直接指定无批量维度的输入形状，代码如下：

import tensorflow as tf

# 假设已定义好keras_model
converter = tf.lite.TFLiteConverter.from_keras_model(keras_model)
# 适配TF原生操作（若模型用到非TFLite内置算子）
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS, tf.lite.OpsSet.SELECT_TF_OPS]

# 提取原始输入的特征维度，去掉批量维度
original_input_shape = keras_model.input_shape
new_input_shape = original_input_shape[1:]  # 从(None, 128)得到(128,)
# 指定输入形状
converter.input_shapes = {keras_model.input_names[0]: new_input_shape}

# 执行转换并保存
model_lite = converter.convert()
with open("model.tflite", "wb") as f:
    f.write(model_lite)

如果在TF 2.6.5中遇到兼容性问题，可添加以下参数禁用新版转换器：

converter.experimental_new_converter = False

2. 构建Keras模型时固定单样本输入 #

如果模型仅用于处理单样本，可以在定义Input层时显式指定无批量维度的形状，后续转TFLite时更易处理：

# 直接定义形状为(128,)，batch_size固定为1
input_layer = tf.keras.layers.Input(shape=(128,), batch_size=1)
# 后续添加模型层...

# 转TFLite时直接指定输入形状为(128,)
converter = tf.lite.TFLiteConverter.from_keras_model(keras_model)
converter.input_shapes = {keras_model.input_names[0]: (128,)}
model_lite = converter.convert()

验证输入形状是否修改成功 #

转换完成后，可用以下代码检查TFLite模型的输入参数：

interpreter = tf.lite.Interpreter(model_path="model.tflite")
interpreter.allocate_tensors()
input_details = interpreter.get_input_details()
print("修改后的输入形状:", input_details[0]['shape'])  # 输出应为[128]

修改后的模型在C#中使用时，直接传入长度为128的一维数组即可，无需额外处理批量维度。

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