如何在TF Dataset流水线中正确调用Keras标准模型的预处理函数

你现在的调用顺序不正确，调整后可以直接调用vgg16.preprocess_input，不需要额外做多余的数据转换，具体说明如下：

• 执行顺序需要调整
  原来的逻辑里你先做预处理再做resize，不符合VGG预处理的设计逻辑，也和你之前用ImageDataGenerator的执行逻辑不一致：
  ImageDataGenerator的执行流是「读取图像→缩放至目标尺寸→执行预处理函数」，你需要把resize操作放在预处理之前。
  原因是VGG16的预处理逻辑是针对0~255范围的原始像素值，执行「RGB转BGR、逐通道减去ImageNet数据集均值」的操作，resize过程如果在预处理之后执行，会干扰已经归一化后的数值分布，最终会影响模型的推理精度。
• 可以直接在tf.function中调用vgg16.preprocess_input
  只要你导入的是tf.keras.applications.vgg16.preprocess_input，该函数本身基于TensorFlow算子实现，完全支持计算图构建，不需要额外做封装或者转换。
• 无需额外数据转换，注意不要踩坑
  你通过tf.image.decode_jpeg得到的是uint8类型的3通道图像，值范围0~255，完全符合预处理函数的输入要求：
  不要提前做image = image / 255.0的归一化，否则会导致输入数值范围错误，模型效果大幅下降。

修正后的代码示例：

@tf.function
def load_images(image_path, label):
    image = tf.io.read_file(image_path)
    image = tf.image.decode_jpeg(image, channels=3)
    # 先缩放至目标尺寸
    image = tf.image.resize(image, (IMG_SIZE, IMG_SIZE))
    # 再执行标准预处理
    image = vgg16.preprocess_input(image)
    return (image, label)

如果后续要加入随机翻转、随机裁剪等数据增强操作，把增强逻辑放在resize和预处理之间即可。

内容的提问来源于stack exchange，提问作者Matthias