我正在使用Keras VGG16 model。
我已经看到有一个preprocess_input method to use in conjunction with the VGG16 model。此方法似乎调用preprocess_input method in imagenet_utils.py，而_preprocess_numpy_input method in imagenet_utils.py（取决于大小写）调用https://github.com/fchollet/deep-learning-models/blob/master/vgg16.py。
preprocess_input有一个mode参数，期望“ caffe”，“ tf”或“ torch”。如果我在带有TensorFlow后端的Keras中使用模型，我应该绝对使用mode="tf"吗？
如果是，是因为Keras加载的VGG16模型是使用经过相同预处理（即将输入图像的范围从[0,255]更改为输入范围[-1,1]）训练的图像的？
此外，用于测试模式的输入图像也应进行此预处理吗？我有信心最后一个问题的答案是肯定的，但我希望得到保证。
我希望弗朗索瓦·乔列（Francois Chollet）能够正确完成操作，但是看着VGG at Oxford是他还是我在使用mode="tf"上是错的。
更新的信息
@FalconUA将我引向information page，其中有一个 Models 部分，其中包含16层模型的链接。通过遵循 Models 中的链接，可以找到有关preprocessing_input mode参数tf缩放到-1到1以及caffe减去一些平均值的信息。 strong> 16层模型：{{3}}。在“说明”部分中说：
“在本文中，该模型表示为经过比例抖动训练的配置D。输入图像应以平均像素（而不是平均图像）相减为零。即，应减去以下BGR值： [103.939，116.779，123.68]。”
答案 0 :(得分：5)
这里的mode与后端无关，而是关于模型在其上训练和移植的框架的。在keras link到VGG16中，它是指出：
这些权重是从VGG at Oxford发布的权重中移植过来的
因此，在Caffe中对VGG16和VGG19模型进行了训练，并将其移植到TensorFlow，因此这里是mode == 'caffe'（范围从0到255，然后提取均值[103.939, 116.779, 123.68]）。
较新的网络（例如 MobileNet 和 ShuffleNet ）已在TensorFlow上进行了训练，因此mode是'tf'，输入是零中心在-1到1之间。
答案 1 :(得分：0)
根据我在Keras中训练VGG16的经验，输入应为0到255，减去均值[103.939, 116.779, 123.68]。我尝试过以-1到1为中心的输入进行转移学习（冻结底部并在顶部堆叠分类器），结果比0..255 - [103.939, 116.779, 123.68]差很多。
答案 2 :(得分：-1)
最近尝试自己再次使用VGG16，我很难通过仅从vgg16导入preprocess_input来获得下降结果，
from keras.applications.vgg16 import VGG16, preprocess_input
这样做，默认将preprocess_input设置为'caffe'模式，但仔细观察keras vgg16 code，我注意到权重名称
两次引用张量流。我认为预处理模式应为'tf'。
processed_img = preprocess_input(img, mode='tf')