关于tf.keras.preprocess_input对张量与numpy数组行为不一致的技术问询

我发现preprocess_input函数存在行为不一致的情况，该函数用于预处理图像，为所用特定预训练网络完成正确的数值归一化。经调试确认：

• 当输入为tensor时，原输入不会被修改，函数返回处理后的新tensor；
• 当输入为numpy数组时，函数既返回处理后的新数组，又会原地修改原数组。

以下是示例代码及对应输出：

Tensor输入示例 #

tensor = tf.ones(3)*100
print(tensor)
tensor2 = tf.keras.applications.mobilenet_v2.preprocess_input(tensor)
print(tensor)
print(tensor2)

输出：

tf.Tensor([100. 100. 100.], shape=(3,), dtype=float32)
tf.Tensor([100. 100. 100.], shape=(3,), dtype=float32)
tf.Tensor([-0.21568626 -0.21568626 -0.21568626], shape=(3,), dtype=float32)

Numpy数组输入示例 #

array = np.ones(3)*100
print(array)
array2 = tf.keras.applications.mobilenet_v2.preprocess_input(array)
print(array)
print(array2)
array+=1
print(array)
print(array2)

输出：

[100. 100. 100.]
[-0.21568627 -0.21568627 -0.21568627]       # <== 原输入被修改！！！
[-0.21568627 -0.21568627 -0.21568627]
[0.78431373 0.78431373 0.78431373]
[0.78431373 0.78431373 0.78431373]          # <== 原输入后续修改会同步影响返回值

技术疑问 #

1. 为何该函数对tensor与numpy数组的处理行为不一致？
2. 原地修改原numpy数组的设计有什么益处？
3. 为何preprocess_input既返回新值又原地修改原输入？通常二者择一即可，这种设计容易引发混淆。

内容的提问来源于stack exchange，提问作者gnoodle