Keras VGG 模型中 preprocess_input() 函数的作用是什么？

Question

这个问题是对这个答案的评论中讨论的一种跟进。

据我了解，该preprocess_input()函数确实意味着输入图像的减法和 std-dev dvision。平均值是在训练 VGG 时在 ImageNet-1K 数据库上计算的平均值。

但是这个答案说当使用 VGG 特征作为损失函数时，preprocess_input()不是必需的，我们只需要[0,1]在传递给 VGG 之前将图像归一化到范围。这让我很困惑...

1. 如果我们不进行预处理，那么与用于训练 VGG 的那些图像相比，输入将处于不同的范围内。VGG 功能如何仍然有效？
2. 从我从这个答案中了解到，我们应该在[0,255]范围内设置图像，preprocess_input()函数负责规范化等等。从源代码中，我了解到对于 caffe 模型，[0,1]未完成对范围的归一化。相反，减去平均值并除以 std-dev。[0,1]如本答案的评论中所建议的那样，将网络输出标准化到范围如何实现相同的效果？

编辑 1：
我正在考虑输出图像的模型。它并不特定于单个模型。一个例子是图像去噪网络。我的网络的输入是一个嘈杂的图像，它的输出是一个去噪的图像。我想最小化 VGG 特征空间中去噪图像和地面实况图像之间的 MSE。无论我的网络输出的范围是多少，我都可以[0,255]通过乘以适当的因子轻松地将其更改为。同样，我可以对我的网络输出进行任何所需的预处理（减去平均值，除以 std-dev）。

根据经验，我发现预处理函数的输出在大约范围内[-128,151]。所以 VGG 网络是在这个范围内的图像上训练的。现在，如果我给它提供范围内的图像（或来自我的网络输出的张量）[0,1]，卷积会很好，但偏差会导致问题，对吗？详细地说，对于范围内的图像[-128,151]，一层 VGG 网络可能已经学习到了 5 的偏差。当我将范围内的图像提供[-1,1]给 VGG 网络时，偏差会破坏一切，对吗？

我不是在训练 VGG 模型。我正在使用在 ImageNet-1k 数据库上训练的模型的权重。

Answer 1

通常，您不应忽略或更改训练模型的数据的归一化。它可能会以意想不到的方式破坏模型，并且由于您在另一个学习模型中使用这些特征，它似乎有效，但您现在隐藏了性能的任何变化。

对于使用饱和激活的模型尤其如此，例如使用 ReLU 时，您可能会得到比使用归一化数据更多的零。

回答您的具体问题：

1. 是的，VGG 和其他网络的特征将在不同的范围内，它们是否有效是另一个问题，由于未使用归一化，因此会造成性能损失。

2. 改变归一化方案不会产生和原来一样的归一化，所以也不是一样的。答案中的代码有效，但从概念上讲，它没有做正确的事情。