首页 文章

在微调预训练模型的同时，在Keras中预处理图像的正确方法是什么

提问于
浏览 次
1

什么是在Keras中预处理数据的正确方法，同时在keras.applications中为我们自己的数据微调预先训练的模型？

Keras提供以下 preprocess_input 功能

keras.applications.imagenet_utils.preprocess_input

keras.applications.inception_v3.preprocess_input

keras.applications.xception.preprocess_input

keras.applications.inception_resnet_v2.preprocess_input

在内部看来，似乎对于inception_v3，xception和inception_resnet_v2，它使用 mode='tf' 调用keras.applications.imagenet_utils.preprocess_input . 而对于其他模型，它设置 mode='caffe' ，每个模型执行不同的转换 .

在关于从Francois chollet转移学习的博客文章中 - https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html - 通过255的除法将其归一化为 [0, 1] . 不应该使用Keras中的preprocess_input函数吗？

还不清楚输入图像应该是RGB还是BGR？是否有任何关于此的一致性，还是特定于使用的预训练模型？

python machine-learning deep-learning keras

1 回答

  • 4

    始终在相应的模型级模块中使用 preprocess_input 功能 . 也就是说， keras.applications.inception_v3.preprocess_input 用于 InceptionV3 ， keras.applications.resnet50.preprocess_input 用于 ResNet50 .

    mode 参数指定训练原始模型时使用的预处理方法 . mode='tf' 表示预训练的权重是从TF转换的，其中作者用 [-1, 1] 输入范围训练模型 . mode='caffe' 和 mode='torch' 也是如此 .

    applications.*.preprocess_input 的输入始终为RGB . 如果模型需要BGR输入，则通道将在 preprocess_input 内置换 .

    您提到的博客文章是在 keras.applications 模块推出之前发布的 . 我不建议使用它作为 keras.applications 转移学习的参考 . 也许最好尝试docs中的示例 .

    回复于

相关问题