Python 分别对每个批处理元素调用Keras Model.evaluate（）

我想对我的一批测试数据调用

tf.keras.Model.evaluate（）

（或类似的方法），并且我想分别获得每个批次元素的损失/指标。因此，如果批次长度为64个元素，我希望返回一个包含64个损失/指标的列表

我需要这个，以便在测试数据集中找到异常值

我试着在批处理（）上调用test\u，或者在单个批处理上调用evaluate（），但是这个方法聚合了批处理结果（我假设是通过平均值），并且对每个元素单独进行批处理，虽然可能，但在我的GPU上要花费10-20倍的时间

我还尝试调用predict（）并手动计算损失/指标，但这种方法的性能也会急剧下降（从测试数据集和预测中计算每个损失/指标的后续手动步骤）

---

有没有一种方法可以在不影响性能的情况下做到这一点？

将TensorFlow度量/损失函数与

模型一起使用。predict（）

速度快且不涉及循环

考虑到该虚拟分类任务：

X = np.random.uniform(0,1, (64,28,28,1))
y = np.random.randint(0,2, 64)

model = Sequential([Flatten(), Dense(2, activation='softmax')])
model.compile('adam', 
              loss=tf.keras.losses.SparseCategoricalCrossentropy(), 
              metrics=[tf.keras.metrics.SparseCategoricalAccuracy()])
model.fit(X,y, epochs=3)

您可以通过以下方式评估每个批次元素的分数：

scce = tf.keras.losses.sparse_categorical_crossentropy(y, model.predict(X))
# scce.shape ==> (64,)

scca = tf.keras.metrics.sparse_categorical_accuracy(y, model.predict(X))
# scca.shape ==> (64,)

这些分数是通过

model.evaluate（）

scce\u eval

等于

tf.reduce\u mean（scce）

---

scca\u eval

等于

tf.reduce\u mean（scca）

评估中涉及哪些损失/指标？@MarcoCerliani这是mnist上的一个非常简单的例子，所以SparseCategoricCrossentity和SparseCategoricAcacacaccuracy，但这对问题不重要，对吗？谢谢@MarcoCerliani，这似乎是一个很好的方法。我想知道，因为我正在构建一个外部库，其中的score函数可能不同，或者是各种度量的组合，是否有任何方法可以在不调用单个度量/损失函数的情况下计算它，因为Keras已经拥有了所有的信息。有没有办法要求Keras模型返回其当前编译的损失函数，或者任何其他已编译的指标，例如？我在评论中说u（在评论中）出于这个原因涉及的指标/损失。。。如果你有自己的自定义损失/指标，你必须在最后写下它，而不是平均减少。这样，在拟合过程中，标准keras模型将自行计算平均减少量，而在评估过程中，u将可以按照我显示u的方式自由获得批次分数（使用相同的函数）。。。如果你保留它的价值，别忘了投赞成票并接受它作为答案；-）

scce_eval, scca_eval = model.evaluate(X,y, verbose=0)