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

Question

我使用Keras生物医学图像分割技术来分割脑神经元。我用model.evaluate()它给了我骰子系数：0.916。但是，当我使用时model.predict()，通过计算Dice系数遍历预测图像，Dice系数为0.82。为什么这两个值不同？

Answer 1

该keras.evaluate()函数将为您提供每批的损失值。该keras.predict()函数将为您提供批次中所有样品的实际预测，适用于所有批次。因此，即使您使用相同的数据，差异也会存在，因为损失函数的值几乎总是与预测值不同。这是两件不同的事情。

Answer 2

问题在于，每个指标的Keras评估方式如下：

1. 对于每个batch度量值都将进行评估。
2. 当前的损耗值（k批次后等于计算k批次中指标的平均值）。
3. 获得的最终结果是所有批次计算的所有损失的平均值。

最最流行的指标（如mse，categorical_crossentropy，mae）等-的平均每个实施例中的损耗值的-有一个属性，这样的评估端了一个正确的结果。但是，在骰子系数的情况下-所有批次中其值的平均值不等于在整个数据集上计算出的实际值，并且model.evaluate()使用这种计算方式-这是造成问题的直接原因。

Answer 3

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

这ML东京的视频应该有助于理解之间的差异model.evaluate()和model.predict()。

Answer 4

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

在model.predict刚刚返回的y_pred

因此，如果您自己使用model.predict然后计算指标，则计算出的指标值应与model.evaluate

例如，在评估需要在下一个时间步中将输出作为输入的基于RNN / LSTM的模型时，将使用model.predict而不是model.evaluate