这个错误的核心原因是你的代表性数据集生成器返回的输入张量缺少批量维度，和TFLite校准器期望的输入形状不匹配。

问题分析 #

你的Keras模型定义的输入形状是[None, 224, 224, 3]（None对应批量大小），而你当前的generator2返回的是单个(224, 224, 3)的图像张量——没有包含批量维度，导致校准器无法正确处理输入，抛出维度不匹配的错误。

修正方案 #

你需要修改生成器，确保每个返回的输入都带有批量维度（即使批量大小为1）。这里有两种简单的修正方式：

方式1：手动添加批量维度

直接对单个图像张量添加批量维度：

def generator2():
    # 先预处理数据，避免重复map操作
    preprocessed_data = train_samples.map(normalize)
    # 取指定数量的校准样本
    for image, _ in preprocessed_data.take(num_calibration_steps):
        # 用tf.expand_dims添加批量维度，形状从(224,224,3)变为(1,224,224,3)
        yield [tf.expand_dims(image, axis=0)]

方式2：复用已有的批量数据集

你已经构建了带批量的train_data，可以直接复用它来简化生成器：

def generator2():
    # 从已有的批量数据集中取指定步数的样本
    for batch_images, _ in train_data.take(num_calibration_steps):
        # 直接返回批量图像，形状为(32,224,224,3)，符合模型输入要求
        yield [batch_images]

验证输入形状 #

在转换前，你可以先验证生成器返回的张量形状是否符合要求：

gen = generator2()
first_sample = next(gen)
print("输入张量形状:", first_sample[0].shape)
# 预期输出：(1, 224, 224, 3) 或者 (32, 224, 224, 3)

额外注意事项 #

• 建议设置num_calibration_steps为100-200，足够覆盖不同类型的样本，保证量化后的模型精度。
• 如果你使用的是TensorFlow 2.x及以上版本，推荐使用model.fit()替代已弃用的model.fit_generator()。
• 转换后的INT8量化模型，TFLite会自动处理输入的数值范围转换，你无需手动调整归一化逻辑。

内容的提问来源于stack exchange，提问作者bachr