为何Keras中预训练VGG16输入预处理无需1/255.0？

这问题问到点子上了！很多人刚开始用预训练模型时都会踩这个坑，我来给你理清楚背后的关键原因：

1. VGG16预训练权重的输入分布是啥样的？ #

Keras里的VGG16预训练权重，是基于0-255范围的RGB像素值训练出来的，而且训练时用的预处理不是简单的除以255，而是执行了通道均值减法——也就是对每个RGB通道分别减去固定的均值：[103.939, 116.779, 123.68]。这个操作正是preprocess_input()函数帮你完成的。

如果你先执行了im /= 255.0，把像素值压缩到0-1之间，再调用preprocess_input()，相当于把原本0-255的均值也缩小了255倍，最终得到的输入数据分布和模型训练时完全不匹配。模型是基于特定分布学出来的，输入乱了，预测效果当然会崩。

2. 为什么注释掉im /=255.0就正常了？ #

当你直接用0-255的原始像素值调用preprocess_input()时，函数会准确执行和训练阶段一致的均值减法，输入数据的分布和模型“见过”的训练数据对齐了，自然就能发挥预训练权重的优势，预测效果也就上来了。

3. 为什么preprocess_input()看起来没影响？ #

你说几次随机测试里它好像没作用，这大概率是巧合——比如你测试的图片刚好在色彩、亮度上比较接近训练数据的均值，有没有均值减法的差异不明显。但从整体和长期来看，preprocess_input()是必须的：它能确保输入数据的分布和预训练阶段一致，避免模型因为输入分布偏移而出现不稳定的预测结果。

结合官方博客的补充 #

你提到的Keras官方博客里“使用预训练模型的瓶颈特征”章节，其实也是遵循这个逻辑：用预训练模型提取特征时，输入都是经过preprocess_input()处理的0-255像素值，而不是0-1归一化后的数值。这也侧面验证了我们上面的结论。

总结一下核心要点： #

• VGG16的预训练权重只认0-255像素值 + RGB通道均值减法的输入，不认0-1归一化的结果
• 先做im /=255.0再用preprocess_input()会彻底打乱输入分布，导致预测失效
• preprocess_input()是必要的预处理步骤，只是个别测试案例可能看不出差异

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