为什么 tf_efficientnet_b3.ap_in1k 的预处理是"300×300 + 0.5/0.5 归一化"？

tf_efficientnet_b3.ap_in1k 是 timm 中的 EfficientNet 图像分类模型（12.2M 参数、1.9 GMACs），由论文作者在 TensorFlow 上以 AdvProp 对抗训练方式在 ImageNet-1k 上训练，再移植到 PyTorch。它的最佳精度完全建立在特定的预处理约定上：300×300 输入分辨率和mean=[0.5, 0.5, 0.5]、std=[0.5, 0.5, 0.5] 的归一化。

这两组参数不是可选项，而是模型权重"见过"的输入分布。下面用仓库文件逐项拆解原因和常见坑点。

核心参数从哪里来？看 config.json 里的 pretrained_cfg

模型卡 README.md 声明了关键规格：Image size: 300 x 300。真正的机器可读来源是 config.json，其中 pretrained_cfg 字段就是完整的预处理配置：

configuration.json 则标明这是pytorch框架、image-classification任务的模型，权重文件见 model.safetensors 与 pytorch_model.bin。

为什么必须 0.5 归一化，而不是常见的 ImageNet 均值？

这是新手最容易踩的第一个坑 🔥

• timm 系 EfficientNet 的输入先缩放到 [0, 1]，再按(x − 0.5) / 0.5归一化，最终把像素映射到[-1, 1]区间。
• 而 torchvision 的transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])是另一套约定。

模型的第一层卷积权重是在 [-1, 1] 的分布上调优出来的。若用错归一化，输入分布整体偏移，第一层输出就"失准"，后面所有层的特征都会劣化——表现就是top-1 准确率无预警地下降。这正是tf_efficientnet_b3.ap_in1k 归一化参数必须与0.5/0.5对齐的原因。

为什么必须 300×300，而不是"万能"的 224×224？

• 模型以300×300 校准：300÷32（EfficientNet 总下采样倍率）≈ 9.4，配合pool_size: [10, 10]的自适应全局池化，正好对上训练时的特征网格。
• fixed_input_size为false说明可以喂其他尺寸（如 224×224），模型不会报错——但这只是"能跑"，不是"准"。分辨率偏离校准值，小目标类别的准确率会明显下滑。
• 验证时按crop_pct计算：短边 resize 到300 ÷ 0.904 ≈ 332，再做中心裁剪得到 300×300。

正确姿势：用 data_config 自动生成预处理管道

不要手抄参数，让 timm 自己解析——这是最不容易出错的方式（摘自 README.md 的官方用法）：

model = timm.create_model('tf_efficientnet_b3.ap_in1k', pretrained=True) model = model.eval() # 自动获取模型专属配置（分辨率、mean/std、裁剪等） data_config = timm.data.resolve_model_data_config(model) transforms = timm.data.create_transform(**data_config, is_training=False) output = model(transforms(img).unsqueeze(0))

resolve_model_data_config返回的就是上面pretrained_cfg中的字段，create_transform会据此构建包含 332 短边缩放、bicubic 插值、0.5/0.5 归一化的完整管道。训练时把is_training=True即可随机裁剪增强。

需要提取特征图时，README.md 还给出了features_only=True的用法，输出 5 级特征金字塔（如torch.Size([1, 384, 10, 10])）。

📋 tf_efficientnet_b3.ap_in1k 预处理避坑清单

1. ❌ 用 torchvision 默认 224 + ImageNet 均值/标准差✅ 必须 300×300 +mean=std=0.5；直接用data_config避免抄错。
2. ❌ 硬编码参数后不升级核对✅ 每次以timm.data.resolve_model_data_config(model)的返回值为准，pretrained_cfg才是唯一事实源。
3. ❌ 忘记unsqueeze(0)加 batch 维✅ 单张图需transforms(img).unsqueeze(0)，否则形状(3,300,300)会被当作 3 通道单张图而报维度错误。
4. ❌ 用bilinear缩放代替bicubic✅interpolation: bicubic是训练时使用的插值方式，验证时保持一致更稳。
5. ❌ 推理没调model.eval()✅ BatchNorm 若停留在训练模式（用 batch 统计量），单张推理结果会抖动。
6. ❌ 把"能跑通 224×224"当成"精度无损"✅ 非固定输入尺寸下精度随分辨率偏离而损失，追求最优精度就用 300×300。
7. ❌ 训练与验证用同一套 transform✅ 验证走中心裁剪（crop_pct 0.904），训练走随机裁剪 + 增强，由is_training参数区分。

小结

tf_efficientnet_b3.ap_in1k 的精度公式可以浓缩为一句话：300×300 输入 + 0.5/0.5 归一化 + bicubic 插值 + 自适应 10×10 池化。这些约定集中存放在 config.json 的pretrained_cfg中，通过timm.data.resolve_model_data_config一行代码即可全部拿到。把data_config当作预处理配置的"单一事实源"，上面清单里的坑基本都能一次绕开。