TensorFlow version: 2.5.0
# 方式一
import tensorflow as tf
img_path = 'cat.jpg'
img = tf.io.read_file(img_path) # 返回整个输入图像的Tensor，没有任何解析，是输入管道的第一步。
img = tf.io.decode_jpeg(img, channels=3) # 将JPEG编码的图像解码为uint8 tensor.
img = tf.image.resize(img, [224, 224]) # 调整图像大小（可以指定方法）type:float32 tensor
img = tf.expand_dims(img, axis=0) # 增加维度 type:float32 tensor
# 方式二
from tensorflow.keras.preprocessing.image import ImageDataGenerator, load_img, img_to_array, array_to_img
IMG_DIM = （224, 224）
sample_img_path = 'benign_test.png'
sample_img = load_img(sample_img_path, target_size=IMG_DIM)
sample_img_tensor = img_to_array(sample_img)
sample_img_tensor = np.expand_dims(sample_img_tensor, axis=0)
sample_img_tensor /= 255. # 像素归一化1.tf.expand_dims（）:
2.图像归一化：/=255. 和 /=127.5 - 1
/=255.对图像进行归一化，范围为[0, 1]，/=127.5 - 1对图像进行归一化，范围为[-1, 1]，这两种只是归一化范围不同，为了直观的看出2种区别，分别对图像进行两种处理：
两种方式的直方图分布相同，/=127.5 - 1的分布较稀疏，如下图所示：
参考博客：
https://blog.csdn.net/qq_20014079/article/details/82804374