tensorflow float32的转换与java对象不兼容

Question

错误： 原因：java.lang.IllegalArgumentException：无法在 FLOAT32 类型的 TensorFlowLite 张量和 java.lang.String 类型的 Java 对象（与 TensorFlowLite 类型 STRING 兼容）之间进行转换。

我已经从我的数据集构建了一个神经网络并有 2 层，然后我将模型保存为 h5，然后使用 tf.keras 模型和转换将其转换为 tflite，但是当我将它部署到应用程序中时，它给了我上述信息错误

我尝试过输入很多类型的数组和数组列表

错误： 原因：java.lang.IllegalArgumentException：无法在 FLOAT32 类型的 TensorFlowLite 张量和 java.lang.String 类型的 Java 对象（与 TensorFlowLite 类型 STRING 兼容）之间进行转换。

model.add(layers.Dense(500, input_dim=3, activation='relu'))
model.add(layers.Dense(1, activation= "relu"))
model.summary() #Print model Summary
model.compile(loss='mean_squared_error',optimizer='adam')
model.fit(X_train,Y_train,epochs=1000,validation_split=0.3)

我如何转换：-

from tensorflow.contrib import lite
converter = lite.TFLiteConverter.from_keras_model_file( 'Model.h5')
tfmodel = converter.convert()
open ("model.tflite" , "wb") .write(tfmodel)

安卓实现

ArrayList<String> list = new ArrayList<>();
list.add("-0.5698444");
list.add("-0.57369368");
list.add("-1.31490297");






try (Interpreter interpreter = new Interpreter(mappedByteBuffer)) {
    interpreter.run(list, "output");
}


private MappedByteBuffer loadModelFile() throws IOException {
    AssetFileDescriptor fileDescriptor = getAssets().openFd("model.tflite");
    FileInputStream inputStream = new FileInputStream(fileDescriptor.getFileDescriptor());
    FileChannel fileChannel = inputStream.getChannel();
    long startOffset = fileDescriptor.getStartOffset();
    long declaredLength = fileDescriptor.getDeclaredLength();
    return fileChannel.map(FileChannel.MapMode.READ_ONLY, startOffset, declaredLength);
}

Answer 1

发现错误。在行中，

try (Interpreter interpreter = new Interpreter(mappedByteBuffer)) {
    interpreter.run(list, "output");
 }

interpreter.run() 的第二个参数必须是 float[] 而不是 "output"。 float[] 将在模型运行时填充类概率。

为interpreter.run()方法提供输入和输出的正确方法：

Interpreter interpreter = new Interpreter(mappedByteBuffer)

float[][] inputs = new float[1][num_features]
// populate the inputs float array above
float[][] outputs = new float[1][num_classes]

interpreter.run( inputs , outputs )

float[] classProb = outputs[0]