Machine learning Keras model.evaluate（）和model.predict（）之间的区别是什么？_Machine Learning_Neural Network_Deep Learning_Keras_Image Segmentation

Machine learning Keras model.evaluate（）和model.predict（）之间的区别是什么？

machine-learning neural-network deep-learning keras

Machine learning Keras model.evaluate（）和model.predict（）之间的区别是什么？,machine-learning,neural-network,deep-learning,keras,image-segmentation,Machine Learning,Neural Network,Deep Learning,Keras,Image Segmentation,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（）时，通过计算骰子系数循环预测图像，骰子系数为0.82。为什么这两个值不同？函数将为每个批次提供损失值。keras.predict（）。因此，即使使用相同的数据，差异也会存在，因为损失函数的值几乎总是不同于预测值。这是两件不同的事情。问题在于，Keras中的每一项指标都以以下方式进行评估：对于每个批次评估一个度量值损失的当前值（在k

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（）

时，通过计算骰子系数循环预测图像，骰子系数为0.82。为什么这两个值不同？

函数将为每个批次提供损失值。

keras.predict（）。因此，即使使用相同的数据，差异也会存在，因为损失函数的值几乎总是不同于预测值。这是两件不同的事情。
问题在于，Keras
中的每一项指标都以以下方式进行评估：
对于每个批次
评估一个度量值
损失的当前值（在k
批次之后等于计算的k
批次中度量的平均值）
最终结果作为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
，分类交叉熵
，mae
）等——作为每个示例的损失平均值——都具有这样一个特性，即这种评估最终会得到一个正确的结果。但在骰子系数的情况下，所有批次中其值的平均值不等于整个数据集上计算的实际值，即model.evaluate（）
使用这种计算方法-这是问题的直接原因。
模型。evaluate

函数预测给定输入的输出，然后计算

模型中指定的度量函数。编译

并基于

y\u true

和

y\u pred

返回计算出的度量值输出

model.predict

只返回

y\u pred

因此，如果您使用

model.predict

然后自己计算度量值，那么计算出的度量值应该与

model.evaluate

例如，在评估基于RNN/LSTM的模型时，可以使用

model.predict

而不是

model.evaluate

，在该模型中，需要在下一时间步将输出作为输入馈送

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（）。损耗用于训练模型（通过反向传播），但这不是答案
这应该有助于理解model.evaluate（）
和model.predict（）
准确地说，keras.evaluate不是衡量分类器在实际世界中工作的准确程度的可靠方法。人们应该有自己的代码来计算这一点。但是，正如@javac指出的那样，model.evaluate（）
不仅给出了损失，还给出了model.compile
中定义的特定精度指标<代码>模型。度量\u name

显示

评估（）的输出