开发指纹分类预测的App时遇到了pytorch模型移植安卓端精确度严重下降的问题，大约从91%下降到不足5%。
解决bug过程中我尝试了多种方式，记录一下：
1.通道问题
由于训练时用的单通道的指纹灰度图，但是Android中
org.pytorch.torchvision.TensorImageUtils.bitmapToFloat32Tensor这个函数默认返回3通道，所以尝试在这里调整。
一种方式是训练之前用脚本将所有训练的图片变为3通道，再训练。如此不需要改变Android端的代码。
import PIL.Image as Image
import os
path = r"E:\imageset"
save_path = r"D:\imgset"
for i in os.listdir(path):
img = Image.open(os.path.join(path, i)).convert('RGB')
img.save(os.path.join(save_path, i))另一种方法是使用大佬重写的返回单通道的bitmapToFloat32Tensor
https://github.com/Unity05/pytorch/blob/master/android/pytorch_android_torchvision/src/main/java/org/pytorch/torchvision/TensorImageUtils.java但是我在使用时多次在scores数组中返回全空值。
final Tensor outputTensor = Objects.requireNonNull(module).forward(IValue.from(inputTensor)).toTensor();
final float[] scores = outputTensor.getDataAsFloatArray();这两种方式我都实际操作了一遍，无效。
2.预处理问题
Android-pytorch官方提供的demo里对inputTensor的定义是这样的：
final Tensor inputTensor = TensorImageUtils.bitmapToFloat32Tensor(bitmap,
TensorImageUtils.TORCHVISION_NORM_MEAN_RGB, TensorImageUtils.TORCHVISION_NORM_STD_RGB, MemoryFormat.CHANNELS_LAST);需要注意的是其中
TORCHVISION_NORM_MEAN_RGB
TORCHVISION_NORM_STD_RGB分别定义为
TORCHVISION_NORM_MEAN_RGB=[0.485, 0.456, 0.406],
TORCHVISION_NORM_STD_RGB=[0.229, 0.224, 0.225]
如果在训练时参数和默认不一样，需要自定义参数，自定义的方式如下：
float[] image_mean = new float[]{"自定义"};
float[] image_std = new float[]{"自定义"};其余预处理同样需要同步。
这种方式尝试似乎将准确率提升了一点点。。大概提升了1%，基本没用。
3.尝试使用轻量模型MobileNetV3
这是另一个我怀疑的原因，但是实际测试预测准确率基本没有提升。
正解：
首先我们看一下Android-pytorch官网的模型移植的代码：
import torch
import torchvision
from torch.utils.mobile_optimizer import optimize_for_mobile
model = torchvision.models.mobilenet_v2(pretrained=True)
model.eval()
example = torch.rand(1, 3, 224, 224)
traced_script_module = torch.jit.trace(model, example)
traced_script_module_optimized = optimize_for_mobile(traced_script_module)
traced_script_module_optimized._save_for_lite_interpreter("app/src/main/assets/model.ptl")这里显然是引导我们将pth格式文件转化为ptl格式
再看一下安卓端代码注释
上面一行的引导是pt格式文件，下一行是ptl格式文件，因此我尝试了将pth文件转化为pt格式。
复制到安卓assets目录，调用预测，准确率正常。问题解决！