迁移学习模型训练后在Android端无法运行问题求助

看起来你遇到的问题非常典型——在IPython Notebook里运行顺畅的迁移学习模型，转成.pb文件放到Android就触发了序列化错误。我之前也碰过好多次这种情况，核心问题基本都出在模型保存的方式不对，Android需要的是嵌入权重的静态冻结计算图，而不是直接导出的动态模型文件。下面给你一步步拆解解决方案：

一、先搞懂报错本质 #

你看到的“Not a valid TensorFlow Graph serialization: NodeDef expected...”，本质是Android端的TensorFlow加载器无法识别你导出的.pb文件结构。大概率是你直接用了model.save()这类方式保存Keras模型，这种文件包含动态图的元数据，不是Android需要的静态冻结图——静态图会把所有训练好的权重直接嵌入到计算图里，没有动态可变的节点。

二、正确导出冻结的.pb文件 #

在你的IPython Notebook里，训练完模型后别直接存模型，按下面的步骤导出符合Android要求的冻结图：

1. 切换到推理模式并获取计算图

import tensorflow as tf
from tensorflow.python.framework import graph_util

# 假设你的训练好的模型是`model`
# 先切换到推理模式，让Dropout这类层自动关闭训练状态
tf.keras.backend.set_learning_phase(0)

# 获取当前会话和计算图
sess = tf.keras.backend.get_session()
graph = sess.graph
input_graph_def = graph.as_graph_def()

2. 确认输入输出节点名称
   这一步绝对不能瞎猜，得找到模型实际的节点名：

# 打印所有节点名称，筛选你的输入和输出节点
for node in input_graph_def.node:
    print(node.name)

比如你的输入节点可能是input_1（Keras默认命名），输出节点是dense_2/Softmax（对应最后一层Dense的输出节点），把这两个名字记牢。

3. 冻结计算图（将权重嵌入图中）

# 替换成你刚才找到的输出节点名
output_node_names = ["dense_2/Softmax"]

# 将变量转换为常量，生成静态冻结图
output_graph_def = graph_util.convert_variables_to_constants(
    sess=sess,
    input_graph_def=input_graph_def,
    output_node_names=output_node_names
)

# 保存最终的.pb文件
with tf.gfile.GFile("frozen_model.pb", "wb") as f:
    f.write(output_graph_def.SerializeToString())

三、Android端加载的注意事项 #

1. 节点名称必须完全匹配
   在Android代码里指定的输入输出节点名，要和冻结时的完全一致，比如：

// 加载冻结后的模型文件
TensorFlowInferenceInterface tfInterface = new TensorFlowInferenceInterface(getAssets(), "frozen_model.pb");

// 输入数据（inputNodeName要和冻结时的输入节点名一致）
float[] inputData = ...; // 你的输入数据数组
tfInterface.feed("input_1", inputData, 1, 224, 224, 3); // 假设输入形状为(1,224,224,3)

// 运行推理，指定输出节点名
tfInterface.run(new String[]{"dense_2/Softmax"});

// 获取输出结果
float[] outputData = new float[2];
tfInterface.fetch("dense_2/Softmax", outputData);

2. 版本兼容要注意
   检查你的Notebook里的TensorFlow版本，和Android依赖的TensorFlow版本尽量匹配（比如同是2.x或1.x），跨大版本很容易出现序列化不兼容的问题。

四、额外优化建议 #

如果用的是TensorFlow 2.x，也可以试试先导出SavedModel，再转换成TFLite文件，Android加载TFLite模型会更稳定，步骤也更简洁：

# 导出SavedModel
tf.saved_model.save(model, "./saved_model")

# 转换成TFLite文件
converter = tf.lite.TFLiteConverter.from_saved_model("./saved_model")
tflite_model = converter.convert()
with open("model.tflite", "wb") as f:
    f.write(tflite_model)

内容的提问来源于stack exchange，提问作者user5993064