基于keras预训练模型的预测/特征提取是否依赖preprocess_input答案

【问题标题】：Does prediction / fearure extraction based on keras pretrained models depend on pre_processing_input基于keras预训练模型的预测/特征提取是否依赖preprocess_input
【发布时间】：2023-03-11 07:45:02
【问题描述】：

Keras 应用程序具有已保存权重的预训练模型。这些权重与训练过的图像上的“preprocessing_input”的性质无关。现在，当我根据我的后端和模式提交我的一组图像进行特征提取时，imagenet_utils 将 preprocessing_input 并且处理的 iamge 数组将是 在 -1 和 1 之间缩放的像素 或每个颜色通道ImageNet 数据集 以零为中心。如果我按照https://keras.io/applications/ 中概述为“使用 VGG16 提取特征”的过程进行预测/特征提取，不会产生不同的结果吗？？？？

【问题讨论】：

我确实相信...而且我不确定预处理是否应该根据您的后端而改变，仅取决于您选择的模式。默认值为'caffe'，来自their code。因此，我认为您应该在进行实际案例之前进行一些测试。到目前为止，我曾经认为这些模型的取值范围是 0 到 1。
我很想知道哪个是正确的预处理方法。

标签： keras feature-extraction image-preprocessing

【解决方案1】：

不，权重与输入的预处理方式无关。如果使用不同的预处理方法，最终的权重会有所不同。

正如您所说，如果您使用不同的预处理，那么功能会有所不同。您应该只使用用于训练网络的预处理。

这就是为什么每个网络的 python 模块都包含一个preprocess_input 方法，您可以导入该方法来执行预处理。根据网络的训练方式和使用的预处理类型，每种方法可能会做不同的事情。

【讨论】：

也许你误会了我。我不是从头开始训练模型。我正在使用带有权重='vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5'的 VGG16。我的困境是：这些权重 'vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5' 将适用于 preprocessing_input = 在 -1 和 1 之间缩放的像素 或 每个颜色通道以零为中心，这取决于 keras.backend我可以选择的安装和模式。
@ShirishRanade 这不是您的问题，您还介绍了新信息，如果您使用的是 keras.applications 那么您必须使用来自同一模块的适当的 preprocess_input 方法。它不依赖于您的 keras 后端。
我想我会进行一些测试，看看是否通过指定 mode='tf' 和 mode='caffe' 得到相同的结果。