tf.lite.Interpreter.set_tensor无法正确识别uint8输入张量问题

这个问题不是TensorFlow Lite的bug，是配置细节和数值转换逻辑有误导致的，具体解决步骤如下：

1. 类型矛盾报错的原因 #

你设置target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS_INT8]时，该算子集默认要求所有算子的输入输出为int8类型，你后续设置的inference_input_type=tf.uint8仅修改了模型元数据里的dtype字段，没有改变内部的类型校验逻辑，所以才会出现get_input_details显示要求uint8，但实际运行校验要求int8的矛盾。

2. 转int8输入后结果错误的原因 #

你直接将uint8的图像数据强制转换为int8类型，会导致数值溢出：比如uint8的128转换为int8会变成-128，完全破坏了输入数据的分布，所以推理结果全部错误。你需要按照量化参数做正确的数值偏移：
因为你的输入量化参数为scale=1.0, zero_point=0，正确的转换逻辑为：

# uint8输入转符合模型要求的int8输入
img_array_int8 = (img_array.astype(np.int32) - 128).astype(np.int8)

将转换后的img_array_int8传入模型即可得到正确的推理结果。

3. 直接使用uint8输入的修改方案 #

如果你不想做输入类型转换，可以修改量化配置的算子集，增加默认的TFLITE_BUILTINS支持，让你设置的uint8输入输出配置生效：

converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS_INT8, tf.lite.OpsSet.TFLITE_BUILTINS]

重新量化后的模型就可以直接传入uint8的图像数据，不需要额外转换。

4. 输出结果说明 #

你观察到输出总和接近256属于正常现象：sigmoid的浮点输出范围为[0,1]，量化到uint8时会映射到[0,255]，如果你的6个输出原本总和为1，量化后每个值乘255再取整，总和自然会接近255/256，少量误差是量化舍入导致的，不影响模型效果。

内容的提问来源于stack exchange，提问作者Brad