Neural network 我必须使用神经网络预处理测试数据吗？

我使用的是Keras（版本2.0.0），我希望使用预训练的模型，例如VGG16。 为了开始，我运行了[Keras documentation site]的示例，用于使用VGG16提取特征：

from keras.applications.vgg16 import VGG16
from keras.preprocessing import image
from keras.applications.vgg16 import preprocess_input
import numpy as np

model = VGG16(weights='imagenet', include_top=False)

img_path = 'elephant.jpg'
img = image.load_img(img_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)

features = model.predict(x)

使用的

preprocess\u input（）

函数困扰着我 （该函数通过查看源代码可以看到的像素平均值进行零居中）

在使用经过训练的模型之前，我真的需要预处理输入数据（验证/测试数据）吗

（a） 如果是的话，我们可以得出这样的结论：您必须始终了解在培训阶段执行了哪些预处理步骤

（b） 如果否：验证/测试数据的预处理是否会导致偏差

---

非常感谢您的帮助。

是的，您应该使用预处理步骤。您可以在不使用预处理步骤的情况下重新训练模型，但第一层将学习将数据居中，因此这是对参数的浪费

如果你不重新居中，你的表演就会受到影响

---

reddit上的优秀线程：

谢谢你的回答。为了清晰起见：我必须对验证/测试数据使用与训练数据相同的预处理步骤（例如：训练数据的平均缩减-->对验证/测试数据的平均缩减使用相同的平均值？）。如果预训练模型在具有值的图像上执行[0255]，然后我也要将我的图像缩放到这个范围，对吗？我不确定你是否正确。我不想重新训练模型。我想对它进行微调。意思是：第一层是不可训练的，只有最后一层是可训练的。那么，“第一层将学习以数据为中心”是什么意思，因为第一层无论如何都是不可培训的？是的。如果要使用现有网络，则应使用与培训过程中使用的完全相同的预处理。否则，性能可能会受到影响，因为您的数据分布将不同于用于培训的数据分布。