interpreter.run(input, output) 是如何工作的？输出是什么以及如何处理输出以最高精度打印标签
How does interpreter.run(input, output) work? What is the output and how to process the output to print the label with the highest accuracy
我通过遵循此 link 学习了如何使用解释器，并看到了代码 运行 推论：
try (Interpreter interpreter = new Interpreter(file_of_a_tensorflowlite_model)) {
interpreter.run(input, output);
}
我找到了一个使用 TensorFlow 解释器的示例：gesture_classification 但是，我仍然不知道它们 labelProbArray 是什么以及如何处理以最高置信度打印标签
手势分类示例中的labelProbArray被初始化为一维数组（技术上，第一维长度为1的二维数组），如手势ImageClassifierFloatInception.java所示分类示例。它的长度等于标签的数量，因此数组中的每个值代表当前数据与该特定标签相关联的概率。例如labelProbArray = new float[][]{{0.6, 0.3, 0.1}};，则当前数据为手势标签0的概率为60%，当前数据为手势1的概率为30%，以此类推。如果找到概率值最大的数组索引并打印出来，那就是置信度最高的标签。
与此同时，更好地理解 interpreter.run(input, output) 工作原理的示例是 model_personalization. The interpreter invocation shown in the LiteMultipleSignatureModel.java file is directly matched with the function signature defined in the Python model。
我通过遵循此 link 学习了如何使用解释器，并看到了代码 运行 推论：
try (Interpreter interpreter = new Interpreter(file_of_a_tensorflowlite_model)) {
interpreter.run(input, output);
}
我找到了一个使用 TensorFlow 解释器的示例：gesture_classification 但是，我仍然不知道它们 labelProbArray 是什么以及如何处理以最高置信度打印标签
手势分类示例中的labelProbArray被初始化为一维数组（技术上，第一维长度为1的二维数组），如手势ImageClassifierFloatInception.java所示分类示例。它的长度等于标签的数量，因此数组中的每个值代表当前数据与该特定标签相关联的概率。例如labelProbArray = new float[][]{{0.6, 0.3, 0.1}};，则当前数据为手势标签0的概率为60%，当前数据为手势1的概率为30%，以此类推。如果找到概率值最大的数组索引并打印出来，那就是置信度最高的标签。
与此同时，更好地理解 interpreter.run(input, output) 工作原理的示例是 model_personalization. The interpreter invocation shown in the LiteMultipleSignatureModel.java file is directly matched with the function signature defined in the Python model。