如何在Flux.jl中加载图片用于模型推理

出现输入尺寸不匹配的核心原因是直接加载的原始图片没有经过和训练阶段完全一致的预处理流程，尺寸、维度顺序、归一化逻辑都和模型要求的输入规则不匹配，正确处理方式如下：

• 第一步：先确认训练阶段的输入配置，包括固定输入尺寸、通道顺序（RGB/BGR）、归一化参数（均值、方差、是否除以255）、维度排布规则（HWC/CHW，是否需要批量维度），所有参数必须和训练时完全对齐
• 第二步：按照对应的技术栈执行预处理操作，对应你使用的Images.load接口（Julia生态），参考代码如下：

using Images, ImageTransformations, Flux

# 加载原始图片
raw_img = Images.load("/Users/logankilpatrick/Desktop/train/dog.10697.jpg")
# 调整为训练时的输入尺寸，示例为224×224，替换为你的实际训练尺寸
resized_img = imresize(raw_img, (224, 224))
# 转换为通道视图并执行归一化，以下均值方差为ImageNet常用参数，替换为训练时的实际值
norm_img = (channelview(resized_img) .- [0.485, 0.456, 0.406]) ./ [0.229, 0.224, 0.225]
# 新增batch维度，适配模型的4维输入要求
input_img = Flux.unsqueeze(norm_img, 4)

如果你使用的是Python生态，参考处理代码如下：

from PIL import Image
import torchvision.transforms as T

# 完全照搬训练脚本中的transform逻辑，不要修改参数
preprocess = T.Compose([
    T.Resize((224, 224)), # 替换为训练时的实际输入尺寸
    T.ToTensor(),
    T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) # 替换为训练时的实际归一化参数
])

raw_img = Image.open("/Users/logankilpatrick/Desktop/train/dog.10697.jpg").convert("RGB")
# 新增batch维度后即可直接传入模型
input_img = preprocess(raw_img).unsqueeze(0)

• 额外注意：如果遗忘了训练时的预处理参数，直接复用训练脚本里数据加载部分的transform代码即可，不要自行调整参数避免结果偏差。

内容的提问来源于stack exchange，提问作者logankilpatrick