4、Tensor基础：Tensor的维度、形状、数据类型（float32、int8、uint8等）、量化参数（scale、zero_point）的含义

TFLite Micro 的输入输出处理，本质上是在回答一个问题：传感器产生的连续物理信号，如何变成模型能够理解的离散数字张量（Tensor）？在嵌入式端，这个问题的答案直接决定了模型的推理精度、内存占用和运行速度。Tensor 是 TFLite Micro 中所有数据流动的载体，无论是从麦克风采集的音频帧、IMU 输出的加速度分量，还是摄像头传来的灰度像素，最终都要被封装成特定形状、特定数据类型、带有量化参数的 Tensor 对象，才能被解释器（Interpreter）接受并执行推理。本章将深入剖析 Tensor 的四个核心属性：维度（Dimension）、形状（Shape）、数据类型（DType）以及量化参数（Scale/ZeroPoint），并结合 TFLite Micro 的实际运行机制，帮助你建立从原始传感器数据到模型输入 Tensor 的完整认知。

上图展示了从传感器原始数据到 Tensor 对象的完整映射链路。理解这条链路的关键在于：Tensor 不仅仅是数据的容器，它还携带了模型解释器所需的全部元信息。在 TFLite Micro 中，当你调用 tflite::GetTensor(&context, tensor_index) 时，返回的 TfLiteTensor 结构体内部就包含了维度、形状、类型和量化参数的完整描述。下面我们逐一拆解这些属性的工程含义。

4.1 维度与形状：从物理信号到多维数组

核心原理：维度（Dimension）描述的是数据的独立轴数量，而形状（Shape）则是每个维度上的具体长度。在数学上，0维是标量（单个数值），1维是向量（一列数），2维是矩阵（行与列），3维及以上统称为张量。在 TFLite Micro 中，所有 Tensor 都有一个 dims 字段，它是一个 TfLiteIntArray 结构，其中 size 表示维度数量，data[] 数组存储每个维度的大小。例如，一个形状为 [1, 128, 1] 的 Tensor，其 size=3，data[0]=1，data[1]=128，data[2]=1。

判断方法：在嵌入式场景中，确定 Tensor 形状需要遵循“从后往前”的思维定式。最后一个维度通常是特征通道数（Channel），倒数第二个维度是序列长度或空间宽度，前面的维度是批次大小（Batch）。例如：

• 音频唤醒词：输入形状 [1, 16000, 1]，表示 1 个样本、16000 个采样点、单声道。
• IMU 姿态识别：输入形状 [1, 50, 6]，表示 1 个样本、50 个时间步、每个时间步包含 3 轴加速度 + 3 轴角速度。
• 灰度图像分类：输入形状 [1, 96, 96, 1]，表示 1 张 96x96 像素的单通道图像。

案例拆解：假设你使用 LSM6DSOX IMU 传感器采集数据，采样频率为 104Hz，每次推理需要 2 秒的窗口数据。那么你需要在内存中维护一个环形缓冲区，当缓冲区填满 104 * 2 = 208 个采样点时，将其整理为形状 [1, 208, 6] 的 Tensor。注意，这里的 6 个特征必须按照模型训练时的顺序排列（例如：acc_x, acc_y, acc_z, gyro_x, gyro_y, gyro_z），否则模型推理结果将完全错误。

4.2 数据类型：精度、内存与算力之间的权衡

核心原理：TFLite Micro 支持多种数据类型，但最常用的是 float32、int8 和 uint8。选择哪种类型，取决于你的硬件平台是否支持浮点运算单元（FPU）、内存容量以及精度要求。

操作流程：在 TFLite Micro 中，判断 Tensor 的数据类型使用 tensor->type 字段，它返回 kTfLiteFloat32、kTfLiteInt8、kTfLiteUInt8 等枚举值。当你从传感器读取原始数据时，通常需要做一次显式类型转换。例如，加速度计的原始输出是 16 位有符号整数（int16），但模型输入要求 float32，那么你需要将每个采样值除以传感器的灵敏度（如 0.061 mg/LSB）转换为物理单位（g），再赋值给 Tensor 的数据指针。

4.3 量化参数：连接整数与真实世界的桥梁

核心原理：量化是将浮点数值映射到有限整数集合的过程。TFLite Micro 采用非对称量化（Asymmetric Quantization），其核心公式为：

real_value = (int8_value - zero_point) * scale

其中 scale 是一个正的浮点数，表示每个整数步长代表的实际数值大小；zero_point 是一个整数，表示浮点数值 0.0 对应的量化整数。这两个参数合称为量化参数（Quantization Parameters），存储在 TfLiteTensor 的 params 字段中，具体为 tensor->params.scale 和 tensor->params.zero_point。

判断方法：如何确定 scale 和 zero_point 的值？这通常由训练后的量化校准过程决定。假设你有一个浮点权重数组，其最小值为 min_val，最大值为 max_val，对于 int8 量化：

scale = (max_val - min_val) / 255.0
zero_point = round(-min_val / scale) - 128

注意，zero_point 必须被限制在 [-128, 127] 范围内。对于 uint8，公式类似，但 zero_point 范围是 [0, 255]。

案例拆解：假设一个温度传感器输出范围是 0.0°C 到 100.0°C，经过量化校准后，scale=0.4，zero_point=-128。那么整数 -128 代表 0.0°C，整数 127 代表 (-128 - (-128)) * 0.4 + 0 = 0°C？不对，让我们重新计算：当 int8_value = -128 时，real = (-128 - (-128)) * 0.4 = 0.0°C；当 int8_value = 127 时，real = (127 - (-128)) * 0.4 = 255 * 0.4 = 102.0°C。但实际最大只有 100°C，说明校准范围略宽。在推理时，如果模型输出 int8 值 100，则实际温度为 (100 - (-128)) * 0.4 = 228 * 0.4 = 91.2°C。

4.4 综合实战：从传感器原始数据到模型输入 Tensor 的完整流程

场景描述：我们以 STM32F746 开发板上的麦克风阵列为例，实现一个关键词识别（KWS）模型。模型输入要求为 [1, 16000, 1] 的 int8 Tensor，scale=0.0235，zero_point=-128。麦克风通过 I2S 接口以 16kHz 采样率、16 位有符号整数格式输出音频数据。

初始现象与目标：直接读取 I2S 数据并填充到 Tensor 后，模型推理准确率仅为 30%，远低于训练时的 92%。经过排查，发现输入数据的数值范围与量化参数不匹配。

分析判断过程：

1. 检查 I2S 原始数据范围：音频采样值在 [-32768, 32767] 之间。
2. 检查模型输入 Tensor 的量化参数：scale=0.0235，zero_point=-128，意味着 int8 值 -128 对应 0.0，int8 值 127 对应 (127 - (-128)) * 0.0235 ≈ 5.99。也就是说，模型期望的输入范围大约是 [-3.0, 3.0]（归一化后的音频幅度）。
3. 计算映射关系：原始 int16 值需要先转换为 float32（除以 32768），再除以 scale 并加上 zero_point 得到 int8 值。即 int8_val = (float_val / scale) + zero_point。

实际操作步骤：

// 伪代码示例
int16_t raw_audio[16000];
int8_t tensor_buffer[16000];
float scale = 0.0235f;
int zero_point = -128;

for (int i = 0; i < 16000; i++) {
    float normalized = raw_audio[i] / 32768.0f;  // 归一化到 [-1.0, 1.0]
    float scaled = normalized / scale;
    int quantized = (int)roundf(scaled) + zero_point;
    // 截断到 int8 范围
    if (quantized < -128) quantized = -128;
    if (quantized > 127) quantized = 127;
    tensor_buffer[i] = (int8_t)quantized;
}
// 将 tensor_buffer 拷贝到 TFLite Micro 的输入 Tensor 数据区
memcpy(tflite_input->data.int8, tensor_buffer, 16000);

结果对比：修正输入映射后，模型准确率恢复到 90% 以上。剩余的 2% 损失主要来自量化误差和麦克风噪声。

风险与代价：手动进行量化转换会增加 CPU 开销。在 16kHz 采样下，16000 次浮点运算大约耗时 2ms（Cortex-M7 @ 216MHz），可以接受。但如果采样率更高或模型更复杂，建议使用查表法或定点运算优化。

复盘经验：永远不要假设传感器数据可以直接填充到 Tensor。必须检查模型的量化参数，并确保输入数据的物理范围与训练时一致。建议在代码中增加断言（assert）检查 scale 和 zero_point 的合理性。