tf.image.resize缩放后图像变黑或溢出的常见错误是未将uint8原图转为float32：必须先tf.cast(image, tf.float32)，再缩放并归一化（如/255.0）；否则插值结果截断导致全黑或噪点。
tf.image.resize 为什么缩放后图像变黑或溢出
常见错误是直接用 tf.image.resize 对 uint8 原图缩放，不转类型。TensorFlow 默认在 float32 空间做插值，若输入仍是 tf.uint8，结果会截断为 0–255 范围外的值，再转回 uint8 就全黑或噪点严重。
- 必须先用
tf.cast(image, tf.float32)转成 float32 - 缩放后再归一化（比如除以 255.0），否则像素值仍在 0–255 区间，后续模型可能不稳定
- 如果后续要喂给 Keras 模型，建议统一用
tf.keras.applications.*.preprocess_input，它内部已处理类型+归一化+通道顺序
归一化该用 tf.image.per_image_standardization 还是手动除 255.0
tf.image.per_image_standardization 是按每张图独立做 (x - mean) / std，适合训练时增强鲁棒性；但部署时它依赖 batch 统计，无法用于单张推理，也不兼容 TFLite。
- 线上服务/移动端优先选手动归一化：
image / 255.0或(image - 127.5) / 127.5 - 若用
tf.keras.applications.resnet50.preprocess_input，它默认走后者（-127.5 / 127.5），且要求输入是tf.float32、[0,255] 范围 - 注意：
per_image_standardization输出均值≈0、标准差≈1，但数值范围不可控（可能到 ±3），某些量化模型会溢出
tf.image.decode_jpeg 后 shape 是 ? 而不是 [h,w,3]
解码后 tensor 的 shape 第二维常为 None，尤其在 tf.function 或 SavedModel 中，因为 JPEG 元数据未被静态推断。这会导致后续 resize 报错 “shape has undefined rank”。
- 加
channels=3参数强制三通道：tf.image.decode_jpeg(image_bytes, channels=3) - 用
tf.ensure_shape显式声明尺寸（如tf.ensure_shape(image, [None, None, 3])），否则resize可能拒绝执行 - 若确定输入尺寸固定，可直接
set_shape([h, w, 3])，比ensure_shape更轻量
tf.image 中 resize 和 crop 怎么组合才不丢信息
先 resize 再 crop 容易裁掉关键区域；先 crop 再 resize 又可能把目标缩太小。真实场景中应按任务定策略：分类常用中心裁剪+缩放，检测/分割需保持宽高比。
- 保比例缩放用
tf.image.resize_with_pad，自动填黑边，再接tf.image.central_crop - 若需随机裁剪，用
tf.image.random_crop前务必先 resize 到略大于目标尺寸（如目标 224×224，先 resize 到 256×256） - 注意
resize默认双线性插值，语义分割标签图必须改用method='nearest'，否则 label 值被插值污染
实际写 pipeline 时，最容易被忽略的是类型转换时机和 tf.ensure_shape 的调用位置——它们不出错，但会让模型在 TFLite 转换或 Serving 时突然失败。
