Keras和TensorFlow Hub版本的MobileNetV2之间的区别

我正在研究一种迁移学习方法，使用keras.applicationsTensorFlow Hub上的MobileNetV2和TensorFlow Hub上可用的MobileNetV2时得到了截然不同的结果。这对我来说似乎很奇怪，因为这两个版本都在此处和此处声明从同一检查点mobilenet_v2_1.0_224提取其权重。这样可以再现差异，您可以在这里找到Colab Notebook ：

!pip install tensorflow-gpu==2.1.0
import tensorflow as tf
import numpy as np
import tensorflow_hub as hub
from tensorflow.keras.applications.mobilenet_v2 import MobileNetV2

def create_model_keras():
  image_input = tf.keras.Input(shape=(224, 224, 3))
  out = MobileNetV2(input_shape=(224, 224, 3),
                  include_top=True)(image_input)
  model = tf.keras.models.Model(inputs=image_input, outputs=out)
  model.compile(optimizer='adam', loss=["categorical_crossentropy"])
  return model

def create_model_tf():
  image_input = tf.keras.Input(shape=(224, 224 ,3))
  out = hub.KerasLayer("https://tfhub.dev/google/tf2-preview/mobilenet_v2/classification/4",
                      input_shape=(224, 224, 3))(image_input)
  model = tf.keras.models.Model(inputs=image_input, outputs=out)
  model.compile(optimizer='adam', loss=["categorical_crossentropy"])
  return model

当我尝试预测随机批次时，结果不相等：

keras_model = create_model_keras()
tf_model = create_model_tf()
np.random.seed(42)
data = np.random.rand(32,224,224,3)
out_keras = keras_model.predict_on_batch(data)
out_tf = tf_model.predict_on_batch(data)
np.array_equal(out_keras, out_tf)

版本的输出keras.applications总和为1，但TensorFlow Hub的版本不输出。这两个版本的形状也不同：TensorFlow Hub具有1001个标签，keras.applications具有1000个标签。

np.sum(out_keras[0]), np.sum(out_tf[0])

版画 (1.0000001, -14.166359)

这些差异的原因是什么？我想念什么吗？

编辑18.02.2020

正如Szymon Maszke指出的那样，TFHub版本返回logits。这就是为什么我向以下添加一个Softmax层的原因create_model_tf：out = tf.keras.layers.Softmax()(x)

arnoegw提到，TfHub版本需要将图像标准化为[0,1]，而keras版本需要将图像标准化为[-1,1]。当我在测试图像上使用以下预处理时：

from tensorflow.keras.applications.mobilenet_v2 import preprocess_input
img = tf.keras.preprocessing.image.load_img("/content/panda.jpeg", target_size=(224,224))
img = tf.keras.preprocessing.image.img_to_array(img)
img = preprocess_input(img)

img = tf.io.read_file("/content/panda.jpeg")
img = tf.image.decode_jpeg(img)
img = tf.image.convert_image_dtype(img, tf.float32)
img = tf.image.resize(img, (224,224))

两者都能正确预测相同的标签，并且满足以下条件： np.allclose(out_keras, out_tf[:,1:], rtol=0.8)

编辑2 18.02.2020在我写这之前，不可能将格式互相转换。这是由错误引起的。