如何脱离TensorFlow实现EfficientNet的preprocess_input函数？

核心逻辑拆解 #

TensorFlow版的preprocess_input核心逻辑非常简洁，没有依赖TF专属的复杂操作，用Numpy就能完全替代：

• 将图像像素值从**[0, 255]区间缩放至[-1, 1]区间**
• 要求输入图像为RGB通道顺序（EfficientNet训练时采用的是RGB格式）

纯Numpy实现代码 #

import numpy as np

def efficientnet_preprocess_input(x, dtype=np.float32):
    """
    功能：EfficientNet图像预处理，替代TensorFlow版本的preprocess_input
    参数：
        x: 输入图像数组，支持单张图（H,W,3）或批量图（N,H,W,3），像素值范围[0,255]
        dtype: 输出数组的数据类型，默认与TensorFlow一致为float32
    返回：
        预处理后的图像数组，像素值范围[-1,1]
    """
    # 缩放像素值到目标区间
    x = x.astype(dtype) / 127.5 - 1.0
    return x

额外处理场景 #

如果你的图像是从OpenCV读取的（默认BGR通道顺序），需要先转换为RGB：

# 假设x是OpenCV读取的BGR格式数组
x = x[..., ::-1]

验证一致性 #

可以取同一张图像，分别用TensorFlow的preprocess_input和上述自定义函数处理，对比输出的数组值（浮点精度范围内一致即可）。

内容的提问来源于stack exchange，提问作者Sticky