模型训练后输入数据类型不匹配是否需要重新训练？

不需要把训练图像转成float32重新训练模型。

模型判断输入是否合法，本质看的是输入的数值分布、尺度是否和训练时的输入对齐，不是死卡数据存储的dtype类型。你训练全程用的是int32格式的图像，只要推理时喂给模型的最终输入数值和训练时的int32输入规则一致，推理精度就不会受影响。
你提供的训练代码显示训练集数据类型为int32，只需要在推理侧做预处理适配即可，无需改动训练权重。

你只需要在数据进入模型前加一层预处理即可，完全不需要重训：

• 先核对上游float32数据的数值范围：如果上游传的是归一化到[0,1]/[-1,1]区间的浮点数，先按照你训练int32数据时的像素尺度还原。比如你训练时int32存的是0-255范围的原始像素值，就把[0,1]范围的float32统一乘255。
• 数值范围对齐后，直接把float32数据转成int32类型就能送入模型，参考代码：

import numpy as np
# x_float为上游传入的float32类型图像数据，已对齐到训练时的数值范围
x_model_input = x_float.astype(np.int32)
# 直接传入模型执行推理即可
pred_result = model(x_model_input)

• 绝对不要直接把没做数值对齐的float32强转int32：比如上游传的是0-1区间的浮点数，直接转int32会把所有值截断成0，直接废掉输入。
• 转换完可以抽几个样本和训练集里的int32图像做数值比对，确认像素值没有异常偏差即可，标准的类型转换不会带来有效信息损失。

内容的提问来源于stack exchange，提问作者Hey