在Keras中使用keras.applications中的预训练模型进行微调时，如何正确预处理数据？

Keras提供了以下preprocess_input函数

keras.applications.imagenet_utils.preprocess_input

keras.applications.inception_v3.preprocess_input

keras.applications.xception.preprocess_input

keras.applications.inception_resnet_v2.preprocess_input

查看代码内部可以发现，对于inception_v3、xception和inception_resnet_v2，它们调用的是keras.applications.imagenet_utils.preprocess_input，并设置mode='tf'。而对于其他模型，则设置mode='caffe'，各模型的预处理方式有所不同。

在Francois Chollet关于迁移学习的博客文章中——https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html——图像被归一化到[0, 1]范围，通过除以255。难道不应该使用Keras中的preprocess_input函数吗？

另外，输入图像应该是RGB还是BGR格式？在这方面是否有统一的标准，还是取决于所使用的预训练模型？

回答：

始终使用相应模型级模块中的preprocess_input函数。例如，对于InceptionV3使用keras.applications.inception_v3.preprocess_input，对于ResNet50使用keras.applications.resnet50.preprocess_input。

mode参数指定了在训练原始模型时使用的预处理方法。mode='tf'表示预训练权重是从TF转换过来的，作者使用了[-1, 1]的输入范围。mode='caffe'和mode='torch'也是如此。

applications.*.preprocess_input的输入始终是RGB。如果某个模型需要BGR输入，通道会在preprocess_input内部进行调整。

你提到的博客文章发布在keras.applications模块引入之前。我不建议将其作为使用keras.applications进行迁移学习的参考。或许尝试文档中的示例会更好。