TFLite图像分类分数异常：重复推理同一张图片分数递增至饱和

我来帮你分析这个TFLite推理中常见的异常——复用同一个Interpreter和ImageClassifier实例时，同一张图的分类分数持续上涨直到饱和，大概率是推理时的张量内存或状态没有被正确重置导致的，下面给你拆解可能的原因和对应的解决办法：

可能的原因及排查步骤 #

1. 输入张量缓冲区未重置，残留上一次推理的脏数据 #

你的代码里提前分配了imgData这个ByteBuffer，如果每次推理前没有将其重置并重新写入当前图像的预处理数据，缓冲区里可能残留上一次推理的部分数据，导致模型计算时叠加了旧值，最终分数持续递增。

解决办法：
每次执行推理前，先将imgData的指针移到起始位置，并重新填充当前图像的预处理结果：

// 重置输入缓冲区指针到开头
imgData.rewind();
// 重新将当前图像预处理后写入imgData
preprocessInputImage(bitmap, imgData);

2. 输出张量未初始化，复用了上一次的结果 #

如果你的输出张量是提前分配的数组（比如float[] classificationScores）或者ByteBuffer，部分TFLite实现不会自动在推理前清零输出缓冲区，若模型的计算逻辑依赖输出的初始值，就会在旧结果基础上继续更新，导致分数累加。

解决办法：
每次推理前手动重置输出张量的内容：

// 假设输出是float数组，重置为全0
float[] classificationScores = new float[labelList.size()];
Arrays.fill(classificationScores, 0.0f);

// 执行推理
tflite.run(imgData, classificationScores);

如果是ByteBuffer类型的输出，同样需要rewind()后填充0字节。

3. ImageClassifier类中存在未重置的状态变量 #

检查你的ImageClassifier实现，是否有保存上一次推理的中间结果、累加变量等状态值。比如自定义的后处理逻辑里如果有累计分数的变量，没有在每次推理前重置，就会导致分数持续叠加。

解决办法：
梳理ImageClassifier的代码，确保所有与推理相关的中间状态都是临时变量，或者在每次推理开始前主动重置这些状态变量。

4. 模型本身的状态未固化（自定义训练模型需注意） #

如果你的模型是自定义训练的，要确认是否存在带状态的层（比如BatchNorm层）在转换为TFLite时没有被固化为推理模式。部分情况下，未正确转换的BatchNorm层会在推理时持续更新running mean/var，导致输出逐渐变化直到稳定。

解决办法：

• 转换TFLite模型时，确保启用推理模式的参数（比如TensorFlow中转换时设置input_signature，或者使用tf.lite.TFLiteConverter.from_keras_model时，确保模型处于推理状态）。
• 用可视化工具查看TFLite模型结构，确认没有带可训练/更新状态的层存在。

快速验证步骤 #

你可以先尝试最简单的方案：每次推理前严格重置输入和输出张量，然后运行测试。如果问题消失，就说明是内存复用的问题；如果依然存在，再去排查模型结构和自定义逻辑中的状态变量。

内容的提问来源于stack exchange，提问作者Prince