18、图像预处理与数据增强技术详解

图像预处理与数据增强技术详解

1. 预测时的图像预处理

在预测阶段，需要对客户端发送的图像字节进行缩放和预处理操作。具体步骤如下：
1. 加载预处理模型：

preproc = tf.keras.models.load_model(
    '.../tft/transform_fn').signatures['transform_signature']

2. 对图像字节进行预处理：

preprocessed = preproc(img_bytes=tf.convert_to_tensor(img_bytes)...)

3. 对预处理后的数据进行预测：

pred_label_index = tf.math.argmax(model.predict(preprocessed))

2. tf.transform 的优势

使用 tf.transform 可以避免在 tf.data 管道中放置预处理代码或在模型中包含预处理代码时所固有的权衡。它结合了两种方法的优点，实现了高效训练和透明重用，防止训练 - 服务偏差，具体优势如下：
- 预处理仅执行一次 ：