Tensorflow 为什么使用Google AutoML的浏览器中的结果与我的android应用程序中导出的tflite文件如此不同？

我正在用Google AutoML训练一个模型。然后我导出了一个TFLite模型，在android应用程序上运行

在应用程序和浏览器中使用了相同的图像（Google AutoML让您有机会在浏览器中测试您的模型），我在浏览器中得到了非常准确的答案，但在我的应用程序中，我得到了不太准确的答案

有没有想过为什么会发生这种情况

相关代码：

  public void predict(String imagePath, final Promise promise) {
    imgData.order(ByteOrder.nativeOrder());
    labelProbArray = new byte[1][RESULTS_TO_SHOW];

    try {

      labelList = loadLabelList();
    } catch (Exception ex) {
      ex.printStackTrace();
    }
    Log.w("FIND_ ", imagePath);

    Bitmap bitmap = BitmapFactory.decodeFile(imagePath);
    convertBitmapToByteBuffer(bitmap);


    try {
      tflite = new Interpreter(loadModelFile());
    } catch (Exception ex) {
      Log.w("FIND_exception in loading tflite", "1");      
    }

    tflite.run(imgData, labelProbArray);
    promise.resolve(getResult());
  }


  private WritableNativeArray getResult() {
    WritableNativeArray result = new WritableNativeArray();

    //ArrayList<JSONObject> result = new ArrayList<JSONObject>();
    try {

      for (int i = 0; i < RESULTS_TO_SHOW; i++) {
          WritableNativeMap map = new WritableNativeMap();

          map.putString("label", Integer.toString(i));
          float output = (float)(labelProbArray[0][i] & 0xFF) / 255f;
          map.putString("prob", String.valueOf(output));
          result.pushMap(map);

          Log.w("FIND_label ", Integer.toString(i));
          Log.w("FIND_prob ", String.valueOf(labelProbArray[0][i]));
      }
    } catch (Exception ex) {
      ex.printStackTrace();
    }

    return result;
  }

  private List<String> loadLabelList() throws IOException {
    Activity activity = getCurrentActivity();
      List<String> labelList = new ArrayList<String>();
      BufferedReader reader =
              new BufferedReader(new InputStreamReader(activity.getAssets().open(LABEL_PATH)));
      String line;
      while ((line = reader.readLine()) != null) {
          labelList.add(line);
      }
      reader.close();
      return labelList;
  }

  private void convertBitmapToByteBuffer(Bitmap bitmap) {
      if (imgData == null) {
          return;
      }
      imgData.rewind();
      Log.w("FIND_bitmap width ", String.valueOf(bitmap.getWidth()));
      Log.w("FIND_bitmap height ", String.valueOf(bitmap.getHeight()));

      bitmap.getPixels(intValues, 0, bitmap.getWidth(), 0, 0, bitmap.getWidth(), bitmap.getHeight());
      // Convert the image to floating point.
      int pixel = 0;
      //long startTime = SystemClock.uptimeMillis();
      for (int i = 0; i < DIM_IMG_SIZE_X; ++i) {
          for (int j = 0; j < DIM_IMG_SIZE_Y; ++j) {
              final int val = intValues[pixel++];

              imgData.put((byte) ( ((val >> 16) & 0xFF)));
              imgData.put((byte) ( ((val >> 8) & 0xFF)));
              imgData.put((byte) ( (val & 0xFF)));
              Log.w("FIND_i", String.valueOf(i));
              Log.w("FIND_j", String.valueOf(j));
          }
      }
  }

  private MappedByteBuffer loadModelFile() throws IOException {
    Activity activity = getCurrentActivity();
    AssetFileDescriptor fileDescriptor = activity.getAssets().openFd(MODEL_PATH);
    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);
  }

public void predict（字符串imagePath，最终承诺）{
imgData.order（ByteOrder.nativeOrder（））；
labelProbArray=新字节[1][RESULTS_TO_SHOW]；
试一试{
labelList=loadLabelList（）；
}捕获（例外情况除外）{
例如printStackTrace（）；
}
Log.w（“查找”，imagePath）；
位图位图=BitmapFactory.decodeFile（imagePath）；
convertBitmapToByteBuffer（位图）；
试一试{
tflite=新的解释器（loadModelFile（））；
}捕获（例外情况除外）{
w（“在加载tflite时发现异常”，“1”）；
}
tflite.run（imgData，labelProbArray）；
promise.resolve（getResult（））；
}
私有可写NativeArray getResult（）{
WritableNativeArray结果=新的WritableNativeArray（）；
//ArrayList结果=新建ArrayList（）；
试一试{
for（int i=0；i>16）和0xFF））；
imgData.put（（字节）（（val>>8）和0xFF））；
imgData.put（（字节）（（val&0xFF））；
Log.w（“FIND_i”，String.valueOf（i））；
Log.w（“FIND_j”，String.valueOf（j））；
}
}
}
私有MappedByteBuffer loadModelFile（）引发IOException{
活动活动=getCurrentActivity（）；
AssetFileDescriptor fileDescriptor=activity.getAssets（）.openFd（模型路径）；
FileInputStream inputStream=新的FileInputStream（fileDescriptor.getFileDescriptor（））；
FileChannel FileChannel=inputStream.getChannel（）；
long startOffset=fileDescriptor.getStartOffset（）；
long declaredLength=fileDescriptor.getDeclaredLength（）；
返回fileChannel.map（fileChannel.MapMode.READ_ONLY，startOffset，declaredLength）；
}

我不知道是否正确的一件事是如何将输出数据调整为概率。在

getResult（）

方法中，我编写了以下代码：

float输出=（float）（labelProbArray[0][i]&0xFF）/255f

为了得到一个介于0和1之间的数字，我除以255，但我不知道这是否正确

如果有帮助的话，.tflite模型是一个量化的uint8模型
 你能分享一下你在Android上推理之前用来处理图像的代码吗？@ShubhamPanchal我刚刚发布了一些我用来做预测的相关方法。这些方法包括加载模型、处理图像和获得结果。让我知道我是否应该添加更多细节。您是否通过将像素值除以255来规范化像素值？您的意思是在convertBitmapToByteBuffer方法中？在这里我说“imgData.put（（字节）（（val>>16）和0xFF））；”？我没有正常化。我只是在写无符号像素值。需要除以255吗？在大多数模型中，像素值是标准化的，这样梯度在训练时不会爆炸。您对哪种型号的AutoML进行过培训