Keras model.evaluate() 和 model.predict() 有什么区别？答案

【问题标题】：What is the difference between Keras model.evaluate() and model.predict()?Keras model.evaluate() 和 model.predict() 有什么区别？
【发布时间】：2017-11-12 14:06:48
【问题描述】：

我使用 Keras 生物医学图像分割来分割大脑神经元。我使用了model.evaluate()，它给了我骰子系数：0.916。但是，当我使用model.predict()，然后通过计算Dice系数循环预测图像时，Dice系数为0.82。为什么这两个值不同？

【问题讨论】：

标签： machine-learning neural-network deep-learning keras image-segmentation

【解决方案1】：

这是关于正则化的。 model.predict() 返回模型的最终输出，即答案。而model.evaluate() 返回损失。损失用于训练模型（通过反向传播），它不是答案。

这个video of ML Tokyo应该有助于理解model.evaluate()和model.predict()之间的区别。

【讨论】：

【解决方案2】：

model.evaluate 函数预测给定输入的输出，然后根据 y_true 和 y_pred 计算 model.compile 中指定的指标函数，并将计算出的指标值作为输出返回。

model.predict 只是返回 y_pred

因此，如果您使用model.predict 然后自己计算指标，计算出的指标值应该与model.evaluate 相同

例如，在评估基于 RNN/LSTM 的模型时，可以使用 model.predict 而不是 model.evaluate，其中输出需要作为下一个时间步的输入提供

【讨论】：

【解决方案3】：

问题在于Keras 中的每个指标都按以下方式评估：

为每个 batch 评估一个指标值。
当前的损失值（在k 批次之后等于您的指标在计算的k 批次中的平均值）。
最终结果是针对所有批次计算的所有损失的平均值。

大多数最流行的指标（如mse、categorical_crossentropy、mae）等 - 作为每个示例的损失值的平均值 - 具有这样的评估最终得到正确结果的属性。但在骰子系数的情况下 - 所有批次的平均值不等于在整个数据集上计算的实际值，并且model.evaluate() 使用这种计算方式 - 这是您的问题的直接原因。

【讨论】：

【解决方案4】：

keras.evaluate() 函数将为您提供每批的损失值。 keras.predict() 函数将为您提供所有批次中所有样本的实际预测。因此，即使您使用相同的数据，也会存在差异，因为损失函数的值几乎总是与预测值不同。这是两个不同的东西。

【讨论】：

准确地说，keras.evaluate 并不是衡量分类器在现实世界中工作准确度的可靠方法。人们应该有自己的代码来计算。
但是model.evaluate() 不仅给出了损失，还给出了model.compile 中定义的指定准确度指标，就像@javac 指出的那样。 model.metrics_name 显示 evaluate() 输出的内容