深度学习 preprocess 预处理图片方式去 pytorch 化

我的模型需要线上部署了，想直接使用 onnx，而不是 pytorch，所以我需要把代码中关于 pytorch 的都删除了，比如下面这段代码，怎么使用其他库替代？

from torchvision import transforms


preprocess = transforms.Compose([
    transforms.Resize(224),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(
        mean=[0.485, 0.456, 0.406],
        std=[0.229, 0.224, 0.225]
    )
])

注意：返回值 ndarray 的 dtype 是 float32

下面是 ChatGPT 给我的答案：

可以使用 Pillow 和 numpy 库替代 torchvision 和 torch 中的操作，示例代码如下：

下面的代码是 chatGPT 给的，有一个问题就是 返回值 ndarray 的 dtype 是 float64，为了和 transforms.ToTensor 保持一致，我觉得修改一下

from PIL import Image
import numpy as np

def preprocess(image_path):
    image = Image.open(image_path)
    image = image.resize((224, 224))
    image = np.array(image)
    image = image.transpose((2, 0, 1))
    image = image.astype(np.float32)
    image /= 255.0
    mean = np.array([0.485, 0.456, 0.406]).reshape((3, 1, 1))
    std = np.array([0.229, 0.224, 0.225]).reshape((3, 1, 1))
    image = (image - mean) / std
    return image

注意：返回值 ndarray 的 dtype 是 float64

修改后如下：

from PIL import Image
import numpy as np
from numpy import ndarray

def preprocess(image: Image.Image) -> ndarray:
    resized_image = image.resize((224, 224))
    resized_image_ndarray = np.array(resized_image)
    transposed_image_ndarray = resized_image_ndarray.transpose((2, 0, 1))
    transposed_image_ndarrayfloat32 = transposed_image_ndarray.astype(
        np.float32)
    transposed_image_ndarrayfloat32 /= 255.0
    mean = np.array([0.485, 0.456, 0.406]).reshape((3, 1, 1))
    std = np.array([0.229, 0.224, 0.225]).reshape((3, 1, 1))
    normalized_image_ndarray = (transposed_image_ndarrayfloat32 - mean) / std
    normalized_image_ndarrayfloat32 = normalized_image_ndarray.astype(
        np.float32)
    return normalized_image_ndarrayfloat32

注意：返回值 ndarray 的 dtype 是 float32

这个函数将接受图像文件路径作为输入并返回预处理后的图像。

---

但是我测速发现，chatGPT 给的这段代码速度慢了50%

╰─➤  time python pre001.py
python pre001.py  10.29s user 0.98s system 118% cpu 9.502 total

╰─➤  time python pre002.py
python pre002.py  15.91s user 0.99s system 111% cpu 15.185 total

可以看到新版的比原版的慢 50%，所以这个思路失败了

---

关于这两个方式是否能够利用多核 CPU，我发现都是不行的