我想使用tf.keras.layers.experimental.preprocessing.PreprocessingLayer层来创建一个自定义的预处理层。

在这个自定义层中，我希望在输入层之后对我的图像进行归一化处理，使用tf.cast(img, tf.float32) / 255.

我试图找到一些代码或示例，展示如何创建这个预处理层，但没有找到。

请问，有人可以提供一个完整的示例，展示如何创建和使用PreprocessingLayer层吗？

回答：

如果你想拥有一个自定义的预处理层，实际上你不需要使用PreprocessingLayer。你可以简单地继承Layer类

以最简单的预处理层Rescaling为例，它位于tf.keras.layers.experimental.preprocessing.Rescaling命名空间下。然而，如果你查看实际的实现，它只是继承了Layer类，源代码链接在此，但带有@keras_export(‘keras.layers.experimental.preprocessing.Rescaling’)

@keras_export('keras.layers.experimental.preprocessing.Rescaling')class Rescaling(Layer):  """通过`scale`乘以输入并加上`offset`。  例如：  1. 要将[0, 255]范围内的输入重新缩放到[0, 1]范围内，你可以传递`scale=1./255`。  2. 要将[0, 255]范围内的输入重新缩放到[-1, 1]范围内，你可以传递`scale=1./127.5, offset=-1`。  重新缩放在训练和推理过程中都会应用。  输入形状：    任意。  输出形状：    与输入相同。  参数：    scale: 浮点数，应用于输入的缩放比例。    offset: 浮点数，应用于输入的偏移量。    name: 字符串，层的名称。  """  def __init__(self, scale, offset=0., name=None, **kwargs):    self.scale = scale    self.offset = offset    super(Rescaling, self).__init__(name=name, **kwargs)  def call(self, inputs):    dtype = self._compute_dtype    scale = math_ops.cast(self.scale, dtype)    offset = math_ops.cast(self.offset, dtype)    return math_ops.cast(inputs, dtype) * scale + offset  def compute_output_shape(self, input_shape):    return input_shape  def get_config(self):    config = {        'scale': self.scale,        'offset': self.offset,    }    base_config = super(Rescaling, self).get_config()    return dict(list(base_config.items()) + list(config.items()))

所以这证明Rescaling预处理只是另一个普通层。

主要部分是def call(self, inputs)函数。你可以创建任何复杂的逻辑来预处理你的inputs然后返回。

关于自定义层的更简单文档可以在这里找到

简而言之，你可以通过层来进行预处理，无论是通过Lambda进行简单操作，还是通过继承Layer来实现你的目标。