TensorFlow两种预测代码结果不一致问题排查求助

相同模型与输入图像下，两段代码提取的特征完全不同，核心问题出在图像数值范围处理和预处理函数匹配两个环节，具体差异如下：

1. 图像数值范围处理不一致 #

• 第一段代码：
  使用tf.image.convert_image_dtype(image, tf.float32)将原始0-255的uint8图像直接缩放到0-1范围的float32张量。后续调用的tf.keras.applications.mobilenet_v3.preprocess_input内部采用mode='tf'逻辑（x /= 127.5; x -= 1.0），但输入已经是0-1范围，处理后数值会变成**-1 到 ~-0.9922**，完全不符合MobileNetV3要求的输入范围。

• 第二段代码：
  image.img_to_array(img)将PIL加载的0-255 uint8图像转换为0-255范围的float32数组。调用的preprocess_input（来自imagenet_utils）默认使用mode='caffe'，处理逻辑是将RGB转为BGR，再减去ImageNet数据集的通道均值（不做缩放），最终数值范围与第一段完全不同。

2. 预处理函数与模型要求不匹配 #

MobileNetV3官方要求的预处理逻辑是将0-255的像素值转换为-1到1的范围（对应mode='tf'），两段代码都未正确匹配该逻辑：

• 第一段先缩放图像到0-1，再用mode='tf'处理，导致数值范围错误。
• 第二段使用默认的mode='caffe'，处理逻辑与MobileNetV3要求不符。

修正方案 #

统一预处理逻辑，严格遵循MobileNetV3的输入要求：

修正第一段代码 #

方案1：保留原始0-255数值范围，再调用官方预处理函数

def read_image(filename):
    image_string = tf.io.read_file(filename)
    image = tf.image.decode_jpeg(image_string, channels=3)
    # 直接转为float32，保留0-255数值
    image = tf.cast(image, tf.float32)
    image = tf.image.resize(image, [224,224])
    image = tf.keras.applications.mobilenet_v3.preprocess_input(image)
    return image

方案2：若要保留0-1缩放，手动转换到-1到1范围

def read_image(filename):
    image_string = tf.io.read_file(filename)
    image = tf.image.decode_jpeg(image_string, channels=3)
    image = tf.image.convert_image_dtype(image, tf.float32)  # 0-1范围
    image = tf.image.resize(image, [224,224])
    # 手动转为-1到1，替代官方预处理函数
    image = image * 2.0 - 1.0
    return image

修正第二段代码 #

明确指定preprocess_input的mode='tf'，与MobileNetV3逻辑对齐

def loadProcessedImage(path):
    img = image.load_img(path, target_size=(224,224))
    imgP = image.img_to_array(img)  # 0-255 float32
    imgP = np.expand_dims(imgP, axis=0)
    # 指定mode='tf'，匹配MobileNetV3预处理要求
    imgP = preprocess_input(imgP, mode='tf')
    return img, imgP

修正后两段代码的预处理逻辑完全一致，模型输出的特征也会相同。

内容的提问来源于stack exchange，提问作者rok