Keras-model.evaluate（）和model.predict（）之间的区别是什么

我有两个问题：

1/model.evaluate（）和model.predict（）之间有什么区别

---

2/Keras是如何计算每一个数据集的？

模型。评估

预测给定数据集上的值，并计算损失和模型的所有附加指标。它返回一个列表，其中包含一个值中的损失和度量

---

model.predict

仅预测给定数据集输入的模型输出<代码>模型。predict的内部工作在

模型内使用。evaluate

，但两者的输出不同，因为它们计算的内容不同。

我选择

模型。predict

在开始时作为

模型。predict

在

模型内执行。evaluate

。model.predict仅根据模型指示的测试集预测输出矩阵

但是，

model.evaluate

执行

model.predict

内部操作，并根据模型编译时提供的参数计算误差和精度。比如说

model.compile(optimizer=OPTIMIZER, loss='categorical_crossentropy',  metrics=['mse','mae','accuracy'])

在这里，我要求模型提供输出

mse

，

mae

，以及

精度

。但是如果我们执行

模型，它将不会提供任何东西。预测除输出矩阵之外的
，然后关于输出，我们需要计算误差或精度。另一方面，
model.evaluate
是一个紧凑的版本，它将计算
mse
、
mae
和
精度
，并提供如下矩阵：

[0.2498760256045422,0.015400263790238618,,0.9456890699253224]

类似于
[mse，mae，精度]

电话是你的，任何你能接的