猫狗分类模型在Jupyter Notebook可运行，导入Android推理时触发数组越界崩溃

报错的逻辑链完全清晰：你在代码里默认模型输出张量转成float数组后长度为2，分别对应猫、狗两个类别的预测概率，但实际运行时这个数组的真实长度仅为1，当代码尝试访问下标为1的元素时，直接触发数组越界崩溃。

匹配这个现象的常见诱因主要有两类：

• 模型输出层配置不匹配：你在Jupyter里训练的猫狗二分类模型，最后一层用的是单神经元+Sigmoid激活的配置，这是二分类任务的常规写法。这种结构下输出张量形状是[1,1]，经TensorBuffer转换后的float数组自然只有1个元素，根本不存在第二个值。你在Jupyter中能正常跑通，是因为推理逻辑本身就是读取这唯一的概率值做阈值判断，没意识到导出的模型输出结构和Android端代码的预期存在偏差。
• 模型导出的维度处理错误：就算你最后层是双神经元Softmax输出，导出tflite时如果错误压缩了维度，把原本[1,2]形状的输出压成了长度1的向量，也会出现同样的越界问题。

1. 先确认实际输出结构：别硬编码访问数组下标，在推理逻辑里加日志打印数组真实长度，摸清楚输出形状再做解析：

   float[] outputArr = outputFeature0.getFloatArray();
   Log.d("ModelCheck", "输出数组实际长度: " + outputArr.length);
   

2. 验证后如果确实是Sigmoid单输出的二分类模型（也就是看到数组长度为1），不需要回头重新训练模型，直接调整结果解析逻辑就行：数组里的唯一值，就是你训练时约定的某一类（比如“狗”）的预测概率，另一类的概率直接用1减去这个值就能算出来，把原来的TextView赋值逻辑替换掉：

   float dogProb = outputFeature0.getFloatArray()[0];
   float catProb = 1 - dogProb;
   textView.setText(String.format("猫的预测概率: %.2f\n狗的预测概率: %.2f", catProb, dogProb));
   

3. 如果你希望模型输出是两个维度的Softmax概率（和你最初的代码预期一致），就回到训练环节把输出层从单神经元Sigmoid改成2神经元Softmax，重新导出tflite模型替换Android端assets目录下的旧模型，此时输出数组长度就会变成2，原来的下标访问逻辑就不会触发越界。

• 附带优化建议：你现在的写法是每次点预测就新建一次Model实例、推理完立刻关闭，这会带来不必要的IO开销，建议把Model实例的初始化放到Activity的onCreate里全局创建，只在onDestroy回调里调用model.close()释放资源，减少预测过程的卡顿。

内容的提问来源于stack exchange，提问作者Sy.Moh