keras中的预处理输入大大增加了列车的尺寸

在使用resnet50模型进行培训之前，我使用以下方法对输入进行了预处理：

img = image.load_img(os.path.join(TRAIN, img), target_size=[224, 224])
img = image.img_to_array(img)
img = np.expand_dims(img, axis=0)
img = preprocess_input(img)

并保存一个numpy图像数组。 我发现，没有

preprocess\u输入

，数组的大小是1.5G，而使用preprocess\u输入，数组的大小是7G。 这是正常的行为吗？还是我遗漏了什么？ 为什么

Zero center by mean pixel

会大幅增加输入大小

这就是在keras中如何定义

平均像素零中心

x=x[…，：-1]
x[…，0]=103.939
x[…，1]=116.779
x[…，2]-=123.68
读取keras实现的
预处理输入
通过减去数据集的图像平均值（似乎是从imagenet获得的常数），对图像进行归一化。这是密码

def _preprocess_numpy_input(x, data_format, mode):
if mode == 'tf':
    x /= 127.5
    x -= 1.
    return x

if data_format == 'channels_first':
    if x.ndim == 3:
        # 'RGB'->'BGR'
        x = x[::-1, ...]
        # Zero-center by mean pixel
        x[0, :, :] -= 103.939
        x[1, :, :] -= 116.779
        x[2, :, :] -= 123.68
    else:
        x = x[:, ::-1, ...]
        x[:, 0, :, :] -= 103.939
        x[:, 1, :, :] -= 116.779
        x[:, 2, :, :] -= 123.68
else:
    # 'RGB'->'BGR'
    x = x[..., ::-1]
    # Zero-center by mean pixel
    x[..., 0] -= 103.939
    x[..., 1] -= 116.779
    x[..., 2] -= 123.68
return x

我不明白为什么使用这段代码会增加数据集的大小。
阅读keras实现的
预处理输入
通过减去数据集的图像平均值（似乎是从imagenet获得的常数），对图像进行归一化。这是密码

def _preprocess_numpy_input(x, data_format, mode):
if mode == 'tf':
    x /= 127.5
    x -= 1.
    return x

if data_format == 'channels_first':
    if x.ndim == 3:
        # 'RGB'->'BGR'
        x = x[::-1, ...]
        # Zero-center by mean pixel
        x[0, :, :] -= 103.939
        x[1, :, :] -= 116.779
        x[2, :, :] -= 123.68
    else:
        x = x[:, ::-1, ...]
        x[:, 0, :, :] -= 103.939
        x[:, 1, :, :] -= 116.779
        x[:, 2, :, :] -= 123.68
else:
    # 'RGB'->'BGR'
    x = x[..., ::-1]
    # Zero-center by mean pixel
    x[..., 0] -= 103.939
    x[..., 1] -= 116.779
    x[..., 2] -= 123.68
return x

我不明白为什么使用这段代码会增加数据集的大小。
这是因为像素值的类型是“uint8”，而现在它们的类型是“float”。
现在有了一个图像，它是一个“浮点”数组，比“uint8”数组大。
这是因为像素值是“uint8”类型的，而现在它们是“浮点”类型的。
现在有了一个图像，它是一个“float”数组，比“uint8”数组大。
根据TensorFlow
理由是：
浮点numpy.array或tf.Tensor，3D或4D，具有3个颜色通道，值在[0255]范围内。
然后函数返回
返回：
预处理的numpy.array或float32类型的tf.Tensor

我感觉整数使用了不同的内存量。
根据TensorFlow
理由是：
浮点numpy.array或tf.Tensor，3D或4D，具有3个颜色通道，值在[0255]范围内。
然后函数返回
返回：
预处理的numpy.array或float32类型的tf.Tensor

我感觉整数使用了不同的内存。
如何定义
preprocess\u输入？你所说的“平均像素零中心”是什么意思？如果你提到“预处理输入”的keras实现，你可以看到这些代码行
x[…，0]=103.939x[…，1]=116.779x[…，2]=123.68
。我最终决定使用一个生成器。所以我不需要再担心数据的大小。只预处理了一大块数据，
preprocess\u input
是如何定义的？你所说的“平均像素零中心”是什么意思？如果你提到“预处理输入”的keras实现，你可以看到这些代码行
x[…，0]=103.939x[…，1]=116.779x[…，2]=123.68
。我最终决定使用一个生成器。所以我不需要再担心数据的大小。只对一大块数据进行了预处理