在模型定义中，增加了移动端的前向传播过程。修改了toAndroid的代码。

net/__init__.py

@@ -2,6 +2,6 @@
 食物分类网络模型包
 """
 
-from .food_net import FoodCNN, create_food_cnn
+from .food_net import FoodCNN, create_food_cnn,create_mobile_food_cnn
 
-__all__ = ['FoodCNN', 'create_food_cnn']
+__all__ = ['FoodCNN', 'create_food_cnn','create_mobile_food_cnn']

net/food_net.py

@@ -74,6 +74,29 @@ class FoodCNN(nn.Module):
         # 添加batch维度
         return processed.unsqueeze(0)
     
+    def mobile_preprocess(self, x):
+        """
+        移动端预处理（TorchScript兼容）
+        
+        Args:
+            x: 输入tensor，形状为 [batch, 3, height, width]，值范围 0-255
+            
+        Returns:
+            torch.Tensor: 预处理后的tensor，形状为 [batch, 3, 32, 32]
+        """
+        # 归一化到 [0, 1]
+        x = x.float() / 255.0
+        
+        # 缩放到 32x32
+        x = F.interpolate(x, size=(32, 32), mode='bilinear', align_corners=False)
+        
+        # ImageNet标准化
+        mean = torch.tensor([0.485, 0.456, 0.406], device=x.device).view(1, 3, 1, 1)
+        std = torch.tensor([0.229, 0.224, 0.225], device=x.device).view(1, 3, 1, 1)
+        x = (x - mean) / std
+        
+        return x
+    
     def forward(self, x):
         # 如果启用内部预处理且输入是tensor
         if self.use_internal_preprocess and isinstance(x, torch.Tensor):
@@ -106,6 +129,22 @@ class FoodCNN(nn.Module):
         x = self.fc2(x)
         
         return x
+    
+    def forward_mobile(self, x):
+        """
+        移动端前向传播（包含预处理）
+        
+        Args:
+            x: 输入tensor，形状为 [batch, 3, height, width]，值范围 0-255
+            
+        Returns:
+            torch.Tensor: 模型输出
+        """
+        # 移动端预处理
+        x = self.mobile_preprocess(x)
+        
+        # 标准前向传播
+        return self.forward(x)
 
 
 def create_food_cnn(use_internal_preprocess=False):
@@ -121,6 +160,37 @@ def create_food_cnn(use_internal_preprocess=False):
     return FoodCNN(use_internal_preprocess=use_internal_preprocess)
 
 
+def create_mobile_food_cnn():
+    """
+    创建移动端食物分类CNN模型
+    
+    Returns:
+        FoodCNN: 配置为移动端使用的网络模型实例
+    """
+    
+    class MobileFoodCNN(FoodCNN):
+        """
+        移动端食物分类模型
+        重写forward方法以包含预处理
+        """
+        def __init__(self):
+            super().__init__(use_internal_preprocess=False)
+        
+        def forward(self, x):
+            """
+            移动端前向传播（自动包含预处理）
+            
+            Args:
+                x: 输入tensor，形状为 [batch, 3, height, width]，值范围 0-255
+                
+            Returns:
+                torch.Tensor: 模型输出
+            """
+            return self.forward_mobile(x)
+    
+    return MobileFoodCNN()
+
+
 if __name__ == "__main__":
     # 测试网络
     model = create_food_cnn()

toAndroid/toAndroid.py

@@ -1,18 +1,75 @@
 import torch
-import torch.nn as nn
-import torch.nn.functional as F
-from net import create_food_cnn
+from net import create_food_cnn, create_mobile_food_cnn
+import os
 
 
-# 1. 初始化模型
-model = create_food_cnn()
-# 2. 加载训练好的权重
-model.load_state_dict(torch.load("../model/06/best_food_model.pth", map_location='cpu'))
-model.eval()  # 设置为推理模式
+def main():
+    print("开始转换模型为移动端格式...")
+    
+    # 1. 加载训练好的基础模型权重
+    base_model = create_food_cnn()
+    model_path = "../model/07/best_food_model.pth"
+    
+    if not os.path.exists(model_path):
+        print(f"错误：模型文件不存在 {model_path}")
+        return
+    
+    base_model.load_state_dict(torch.load(model_path, map_location='cpu'))
+    print("✓ 基础模型权重加载成功")
+    
+    # 2. 创建移动端模型并复制权重
+    mobile_model = create_mobile_food_cnn()
+    mobile_model.load_state_dict(base_model.state_dict())
+    mobile_model.eval()
+    print("✓ 移动端模型创建成功")
+    
+    # 3. 测试模型
+    # 创建示例输入 (模拟Android端输入：1x3x224x224，值范围0-255)
+    example_input = torch.randint(0, 256, (1, 3, 224, 224), dtype=torch.float32)
+    
+    with torch.no_grad():
+        output = mobile_model(example_input)
+        print(f"✓ 模型测试成功，输出形状: {output.shape}")
+        print(f"  输出值范围: [{output.min():.3f}, {output.max():.3f}]")
+    
+    # 4. 转换为 TorchScript
+    try:
+        traced_model = torch.jit.trace(mobile_model, example_input)
+        
+        # 保存模型
+        output_path = "../model/07/best_food_model_mobile.pt"
+        traced_model.save(output_path)
+        print(f"✓ TorchScript模型保存成功: {output_path}")
+        
+        # 验证保存的模型
+        loaded_model = torch.jit.load(output_path)
+        with torch.no_grad():
+            loaded_output = loaded_model(example_input)
+            print(f"✓ 保存的模型验证成功，输出形状: {loaded_output.shape}")
+            
+            # 检查输出是否一致
+            if torch.allclose(output, loaded_output, atol=1e-6):
+                print("✓ 模型输出一致性验证通过")
+            else:
+                print("⚠ 警告：模型输出存在差异")
+        
+    except Exception as e:
+        print(f"✗ TorchScript转换失败: {e}")
+        return
+    
+    print("\n" + "="*50)
+    print("移动端模型转换完成！")
+    print("="*50)
+    print("使用说明：")
+    print("1. Android端输入图片应为 [batch, 3, height, width] 格式")
+    print("2. 像素值范围：0-255 (uint8 或 float32)")
+    print("3. 模型会自动处理：")
+    print("   - 归一化到 [0,1]")
+    print("   - 缩放到 32x32")
+    print("   - ImageNet标准化")
+    print("4. 输出：3个类别的logits")
+    print("="*50)
 
-# 3. 创建示例输入 (假设输入是 3x224x224 的图片)
-example_input = torch.randn(1, 3, 224, 224)
 
-# 4. 转换为 TorchScript
-traced_script_module = torch.jit.trace(model, example_input)
-traced_script_module.save("../model/06/best_food_model_mobile.pt")
+if __name__ == "__main__":
+    main()