TensorFlow加载Vgg预训练模型时的数据类型处理与保存注意事项

向北走

发布时间：2026-10-13 | 5人浏览过

原创

本文详解在TensorFlow中加载Vgg预训练模型时遇到的uint8与float数据类型不匹配报错。通过对比tf.image.decode_jpeg默认行为，说明使用tf.to_float进行类型转换的必要性与安全性，并指出保存float格式图片时需转回uint8，否则会导致显示异常或API报错。

引言与问题概述

本文旨在解决一个关键Bug：Value passed to parameter 'input' has DataType uint8 not in list of allowed values: float16, bfloat16, float32, float64。我们将围绕图片加载与本地保存两个环节，详细解析该Bug及其衍生问题的解决方法。

图片加载时的数据类型处理

图片加载环节

首先，导致上述Bug的代码示例如下所示。


image_path = "data/test.jpg" # 本地的测试图片
 
image_raw = tf.gfile.GFile(image_path, 'rb').read()
# 一定要tf.float()，否则会报错
image_decoded = tf.image.decode_jpeg(image_raw)
 
# 扩展图片的维度，从三维变成四维，符合Vgg19的输入接口
image_expand_dim = tf.expand_dims(image_decoded, 0)
 
# 定义Vgg19模型
vgg19 = VGG19(data_path)
net = vgg19.feed_forward(image_expand_dim, 'vgg19')
print(net)

上述代码用于加载Vgg19预训练模型，并传入图片以获取所有层的特征图。具体的代码实现与原理讲解可参考我的另一篇博客：TensorFlow加载Vgg预训练模型。那么，为什么代码会出现Value passed to parameter 'input' has DataType uint8 not in list of allowed values: float16, bfloat16, float32, float64这一错误呢？

这句英文报错的含义是：传递的参数类型是uint8，但模型接受的参数类型必须是float系列（如float16、bfloat16、float32、float64）。因此，根本原因在于传入值的数据类型不匹配。解决这个Bug的方法非常简单。


image_path = "data/test.jpg" # 本地的测试图片
 
image_raw = tf.gfile.GFile(image_path, 'rb').read()
# 一定要tf.float()，否则会报错
image_decoded = tf.to_float(tf.image.decode_jpeg(image_raw))
 
# 扩展图片的维度，从三维变成四维，符合Vgg19的输入接口
image_expand_dim = tf.expand_dims(image_decoded, 0)
 
# 定义Vgg19模型
vgg19 = VGG19(data_path)
net = vgg19.feed_forward(image_expand_dim, 'vgg19')
print(net)

对比这两个代码块，唯一的区别在于：在输出image_decoded结果前，增加了一个tf.to_float()调用，将其转换为float类型。

在TensorFlow API中，tf.image.decode_jpeg()默认读取的图片数据格式为uint8，而非float。uint8数据的范围在0到255之间，这正好符合图片像素值的范围（0-255）。然而，保存在本地的Vgg19预训练模型所期望的数据接口为float类型，这就导致了文章开头提到的Bug。

这里还需要补充一点：如果使用PIL库的方法来加载图片，则不会出现上述Bug。因为通过PIL读取的图片格式默认就是float类型，而非uint8，因此无需进行额外的类型转换。

许多同学可能会疑惑：如果强行改变原图片的数据格式，从uint8类型转换为float类型，是否会导致数据数值改变或出错？为此，我进行了如下实验：


image_path = "data/3.jpg"
image_raw = tf.gfile.GFile(image_path, 'rb').read()
image_unit8 = tf.image.decode_jpeg(image_raw)
image_float = tf.to_float(image_unit8)
 
with tf.Session() as sess:
 image_unit8_, image_float_ = sess.run([image_unit8, image_float])
 
print("image_unit8_", image_unit8_)
print("image_float_ ", image_float_ )

代码运行结果如下：


 image_unit8_
 [180, 192, 204],
 [183, 195, 207],
 [186, 198, 210],
 ...,
 [191, 205, 218],
 [191, 205, 218],
 [190, 204, 217]],
 
 image_float_ 
 [180., 192., 204.],
 [183., 195., 207.],
 [186., 198., 210.],
 ...,
 [191., 205., 218.],
 [191., 205., 218.],
 [190., 204., 217.]],

从结果可以看出，数据数值本身没有任何变化，只是在数值后面多了一个小数点，仅改变了数据类型而未强制改变数值。因此，同学们无需对此过度担心。

图片保存至本地的格式转换

图片保存至本地环节

在加载图片时，为了适配保存在本地的预训练Vgg19模型，我们需要将读取的图片由uint8格式转换为float格式。那么，如果我们将已经转换为float格式的图片再保存回本地，该怎么做呢？

首先，我们根据上述逻辑读取图片，并将其转换为float格式。在将读取的图片再次保存到本地之前，我们先对转换格式后的图片进行可视化，代码如下：


import tensorflow as tf
from matplotlib import pyplot as plt
image_path = "data/boat.jpg"
 
image_raw = tf.gfile.GFile(image_path, 'rb').read()
image_decoded = tf.image.decode_jpeg(image_raw)
image_decoded = tf.to_float(image_decoded)
 
with tf.Session() as sess:
 image_decoded_ = sess.run(image_decoded)
 plt.imshow(image_decoded_)
 plt.show()

生成的图片效果如下图所示：

左侧为原图，右侧为转换为float格式后的图片。可见，将图片转换为float格式虽然对数值影响不大，但若直接保存至本地，则会引发问题。

以上讨论旨在说明一点：在保存图片至本地之前，需要将其格式从float转回uint8，否则会造成一系列错误，如图片显示异常、API报错等。正确的保存代码如下：


save_path = "data/boat_copy.jpg"
image_uint = tf.cast(image_decoded, tf.uint8)
with tf.Session() as sess:
 with open(save_path, 'wb') as img:
 image_saved = sess.run(tf.image.encode_jpeg(image_uint))
 img.write(image_saved)

其中最关键的一句话是tf.cast(image_decoded, tf.uint8)。

以上这篇关于TensorFlow加载Vgg预训练模型的注意事项就是小编分享给大家的全部内容了，希望能给大家提供参考，也希望大家多多支持本站。