Python 加速器数据对于模型预测应该具有什么结构？

我创建了Keras模型，将其转换为TensorFlow，然后将其转换为TensorFlow lite。我想用我的TFLite模型，通过手机上的加速器信号来预测人类活动。这是我的模型的顺序：

N_FEATURES = 3
PERIOD = 80


model = Sequential()
model.add(Reshape((const.PERIOD, const.N_FEATURES), input_shape=(const.PERIOD * const.N_FEATURES,)))
model.add(Conv1D(100, 10, activation='relu', input_shape=(const.PERIOD, const.N_FEATURES)))
model.add(Conv1D(100, 10, activation='relu'))
model.add(MaxPooling1D(const.N_FEATURES))
model.add(Conv1D(160, 10, activation='relu'))
model.add(Conv1D(160, 10, activation='relu'))
model.add(Flatten())
model.add(Dropout(0.2))
model.add(Dense(7, activation='softmax'))
model.summary()
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])


x_test.shape = (12369, 240)
y_test.shape = (12369, 7)
x_train.shape = (49476, 240)
y_train.shape = (49476, 7)

我想问一下我需要在Android应用程序中传递给模型以预测活动的数据形状。我使用的函数是

解释器。我需要使用一个包含三个列表的数组？它们中的每一个都有来自加速器（x、y和z）的一个轴的数据，或者我需要创建其他东西

这是我的第一个模型，所以欢迎任何其他提示

编辑：

List samples=collector.getSamples（）；
float[][]floatInputBuffer=新的float[200][3]；
对于（int i=0；i<200；i++）{
floatInputBuffer[i][0]=samples.get（i）.getX（）；
floatInputBuffer[i][1]=samples.get（i）.getY（）；
floatInputBuffer[i][2]=samples.get（i）.getZ（）；
}
对象[]inputArray={floatInputBuffer，新int[]{5000}}；
Map outputMap=newhashmap（）；
outputMap.put（0，新浮点[1][labels.size（）]）；
解释器interpeter=null；
试一试{
interpeter=新的解释器（loadModel（getAssets（），MODEL_PATH.split）（“file:///android_asset/", -1)[1]));
}捕获（IOE异常）{
e、 printStackTrace（）；
}
interpeter.runForMultipleInputsOutputs（inputArray，outputMap）；
您需要一个形状为
的数组（示例、时间帧、尺寸x\u y\u z）

它已经在您的模型中使用
input\u shape=（const.PERIOD，const.N\u特性）
进行了很好的定义

因此，
（示例，const.PERIOD，const.N_特性）
是您的数据格式
 您需要一个形状为
的数组（示例、时间帧、维度x y z）

它已经在您的模型中使用
input\u shape=（const.PERIOD，const.N\u特性）
进行了很好的定义

因此，
（示例，const.PERIOD，const.N_特性）
是您的数据格式
 无论训练模型时使用何种输入大小，在使用解释器执行推理时，都必须发送相同大小的输入（批量大小除外）。如果您在解释器上使用
run
方法，那么您可能只传递了一个输入，但是由于您使用的是
runForMultipleInputsOutputs
，因此您可以将数据批处理在一起，然后发送它

因此，您的模型的输入形状为
（const.PERIOD*const.N\u FEATURES）
。我相信这个产品是240。因此，对TFLite模型的输入必须是
（，240）
无论在训练模型时使用何种输入大小，在使用解释器执行推理时，都必须发送相同大小的输入（批量大小除外）。如果您在解释器上使用
run
方法，那么您可能只传递了一个输入，但是由于您使用的是
runForMultipleInputsOutputs
，因此您可以将数据批处理在一起，然后发送它

因此，您的模型的输入形状为
（const.PERIOD*const.N\u FEATURES）
。我相信这个产品是240。因此，您对TFLite模型的输入必须是
（，240）
“如果您在解释器上使用run方法，那么您可能只传递了一个输入”-这可能会更容易，我想我需要使用
runformMultipleInputSoutputs
方法。如果我使用
run
方法，那么我需要发送一个向量，该向量在给定时刻包含来自加速度计的一个样本，每个坐标线包含一个值？“如果您在解释器上使用run方法，那么您可能只传递了一个输入”-这可能会更容易，我想我需要使用
runForMultipleInputsOutputs
方法。如果我使用
run
方法，那么我需要发送一个向量，其中包含给定时刻加速度计的一个样本，每个坐标线包含一个值？我编辑了我的问题并添加了一些代码。我收到java.lang.IllegalArgumentException:runForMultipleInputsOutputs上的无效输入张量索引：1。我做错了什么？我编辑了我的问题并添加了一些代码。我收到java.lang.IllegalArgumentException:runForMultipleInputsOutputs上的无效输入张量索引：1。我做错了什么？？
        List<Sample> samples = collector.getSamples();
        float[][] floatInputBuffer = new float[200][3];

        for(int i = 0; i < 200; i++) {
            floatInputBuffer[i][0] = samples.get(i).getX();
            floatInputBuffer[i][1] = samples.get(i).getY();
            floatInputBuffer[i][2] = samples.get(i).getZ();
        }

        Object[] inputArray = {floatInputBuffer, new int[]{5000}};
        Map<Integer, Object> outputMap = new HashMap<>();
        outputMap.put(0, new float[1][labels.size()]);
        Interpreter interpeter = null;
        try {
            interpeter = new Interpreter(loadModel(getAssets(), MODEL_PATH.split("file:///android_asset/", -1)[1]));
        } catch (IOException e) {
            e.printStackTrace();
        }

        interpeter.runForMultipleInputsOutputs(inputArray, outputMap);