tf.keras.util.array_to_image()内存机制及无拷贝传参方法问询

默认场景下会产生独立数据副本，仅在非常严格的参数匹配场景下才会共享原数组内存，具体逻辑如下：

• 该方法内部会先执行通道顺序校验转换：如果你传入的数组是通道优先（channels_first，即CHW格式），方法会自动调整为TensorFlow默认的通道最后（HWC格式），这个转置操作必然会生成新的数组副本。
• 即便你的数组本身已经是HWC格式、数据类型匹配PIL要求，方法调用PIL.Image.fromarray()时，也仅当原numpy数组是C连续内存布局时才会直接引用原内存，否则PIL会自动生成副本。

你可以用以下代码验证副本行为：

import numpy as np
from tensorflow.keras.utils import array_to_image

# 生成测试数组
arr = np.zeros((100,100,3), dtype=np.uint8)
img = array_to_image(arr)

# 修改原数组
arr[0,0] = 255
# 读取PIL实例对应位置的像素值
print(img.getpixel((0,0)))  # 输出为(0,0,0)，说明两者数据独立，存在副本

TensorFlow本身完全支持直接接收numpy数组作为输入，不需要转PIL实例、也不需要写入磁盘生成图像文件，不存在冗余拷贝的问题，可根据使用场景选择方案：

• 单样本/少量样本推理：直接用tf.convert_to_tensor()将numpy数组转为Tensor即可，内存连续、数据类型匹配的场景下该操作是零拷贝共享内存：

import tensorflow as tf
import numpy as np

img_arr = np.random.randint(0,255, (224,224,3), dtype=np.uint8)
input_tensor = tf.convert_to_tensor(img_arr, dtype=tf.float32)
# 归一化等预处理直接用tf.image操作即可
input_tensor = tf.image.resize(input_tensor, (256,256)) / 255.0
# 直接喂给模型
# model.predict(input_tensor[tf.newaxis, ...])

• 大批量训练构建数据管道：直接用tf.data.Dataset.from_tensor_slices()加载所有numpy数组，无需任何中间格式转换：

# 假设你有一批图片数组组成的数组all_imgs，形状为(N, H, W, 3)，还有对应的标签all_labels
all_imgs = np.random.randint(0,255, (1000, 224,224,3), dtype=np.uint8)
all_labels = np.random.randint(0,10, 1000)

dataset = tf.data.Dataset.from_tensor_slices((all_imgs, all_labels))
# 后续可以链式调用预处理、shuffle、batch等操作，直接用于模型训练
dataset = dataset.map(lambda x,y: (tf.image.resize(x, (256,256))/255.0, y)).batch(32)
# model.fit(dataset, epochs=10)

内容的提问来源于stack exchange，提问作者David M