如何保证预测阶段图像输入范围与VGG19模型训练阶段输入范围一致

问题根源 #

你遇到的分布不一致问题核心是训练和预测的预处理逻辑没有对齐，具体为：

1. ImageDataGenerator的random_transform()方法仅执行随机增强操作（你设置的亮度调整），不会调用你传入的preprocessing_function参数，你训练阶段实际生效的逻辑是：原始图像（0~255范围）→ 随机亮度变换 → 手动除以255 → 输出0~1范围的输入给模型，VGG19的预处理逻辑在训练阶段完全没有生效。
2. 预测阶段你主动调用了tf.keras.applications.vgg19.preprocess_input()，该函数会对图像做ImageNet数据集的均值零中心化处理，输出本身就包含负数，再除以255后范围和训练时的0~1完全不符，导致预测错误。

解决方案 #

根据你的使用场景可以选择以下任意一种，核心是保证训练、预测的预处理逻辑完全一致：

方案1：保留VGG19官方预处理，修正全流程逻辑（适合还未完成训练的场景） #

1. 修正训练阶段逻辑，确保VGG19预处理生效：

import cv2
import tensorflow as tf
import seaborn as sns

augmenter = tf.keras.preprocessing.image.ImageDataGenerator(
    brightness_range=(0.75, 1.25)
)

# 训练阶段处理逻辑
img = cv2.imread('sphx_glr_plot_camera_001.png')
# 先做随机增强，再调用VGG19预处理，无需手动除以255
img_aug = augmenter.random_transform(img)
img_1 = tf.keras.applications.vgg19.preprocess_input(img_aug)

2. 预测阶段逻辑和训练对齐，去掉手动除以255的操作：

# 预测阶段处理逻辑
img = cv2.imread('sphx_glr_plot_camera_001.png')
img_2 = tf.keras.applications.vgg19.preprocess_input(img)

方案2：不使用VGG19官方预处理，对齐现有训练逻辑（适合已经完成训练不想重训的场景） #

直接修正预测阶段逻辑，和你当前训练时实际生效的逻辑保持一致即可：

# 预测阶段修正后逻辑
img = cv2.imread('sphx_glr_plot_camera_001.png')
# 无需调用VGG19预处理，直接做0~1归一化即可
img_2 = img / 255.0

补充说明 #

如果后续你改用ImageDataGenerator的flow()/flow_from_directory()接口批量生成训练数据，该接口会自动调用你传入的preprocessing_function，需要注意和单张处理的逻辑对齐，避免出现新的分布不一致问题。

内容的提问来源于stack exchange，提问作者J. Doe