# TensorFlow 中的圖像預處理，用于預訓練的 VGG16 我們為 TensorFlow 中的預處理步驟定義一個函數，如下所示： ```py def tf_preprocess(filelist): images=[] for filename in filelist: image_string = tf.read_file(filename) image_decoded = tf.image.decode_jpeg(image_string, channels=3) image_float = tf.cast(image_decoded, tf.float32) resize_fn = tf.image.resize_image_with_crop_or_pad image_resized = resize_fn(image_float, image_height, image_width) means = tf.reshape(tf.constant([123.68, 116.78, 103.94]), [1, 1, 3]) image = image_resized - means images.append(image) images = tf.stack(images) return images ``` 在這里，我們創建 images 變量而不是占位符： ```py images=tf_preprocess([x for x in x_test]) ``` 我們按照與以前相同的過程來定義 VGG16 模型，恢復變量然后運行預測： ```py with slim.arg_scope(vgg.vgg_arg_scope()): logits,_ = vgg.vgg_16(images, num_classes=inet.n_classes, is_training=False ) probabilities = tf.nn.softmax(logits) init = slim.assign_from_checkpoint_fn( os.path.join(model_home, '{}.ckpt'.format(model_name)), slim.get_variables_to_restore()) ``` 我們獲得與以前相同的類概率。我們只是想證明預處理也可以在 TensorFlow 中完成。但是，TensorFlow 中的預處理僅限于 TensorFlow 提供的功能，并將您與框架深深聯系在一起。 我們建議您將預處理管道與 TensorFlow Model Training 和 Predictions 代碼分開。 保持獨立使其具有模塊化并具有其他優勢，例如您可以保存數據以便在多個模型中重復使用。