Python 模型（x）和预测模型（x）之间的差异

下面是一个简单的tensorflow函数API模型

input1 = tf.keras.layers.Input(shape=(2,), dtype='float32')
output1 = tf.keras.layers.Dense(2)(input1)
model = tf.keras.Model(inputs=input1, outputs=output1)

在函数API的一些示例中，使用model（）获得输出，但也有model.predict（）

在我上面的例子中，predict起作用：

model.predict([[[1.1, 2.2]]])
>> array([[1.8761028 , 0.20520687]], dtype=float32)

但如果仅运行模型，则会出现错误：

model([[[1.1, 2.2]]])
>> ... InvalidArgumentError: In[0] is not a matrix [Op:MatMul]

区别是什么？为什么会发生错误

谢谢

---

Julian

错误状态

model（）

需要一个矩阵作为输入，您在其中提供了一个列表

要解决此问题，只需将其转换为矩阵：

model(tf.Variable([[[1.1, 2.2]]]))

或

---

关于

model（）

和

model.predict（）之间的区别

“使用模型（）获得输出”的代码：

你会问，这有什么相似之处

在代码中，通过在此
input1
对象上调用
Dense
层，在层图中创建一个新节点。

“层调用”操作就像从
input1
到您创建的层绘制一个箭头。

您将输入“传递”到稠密层，然后输出
output1

在参考代码中，他们将
模型
视为一个层，并进行“层调用”。

看到相似之处了吗

output     = Dense(input)
left_proba = model(obs[...])

反过来，这将创建执行其他操作的新节点（在后面的3行中）。

当您希望获取现有模型并将其用作组件（或“层”）以构建另一个新模型时，这非常有用

对于模型推理，您将始终通过
y=model来实现。预测（x）
请链接到“使用模型（）获得输出”的示例。以下是Aurélion Géron的《使用Scikit Learn、Keras&Tensorflow进行机器学习的实践》（第二版）一书中的示例。第18章的笔记本在这里。如果你在页面上搜索“model（obs[np.newaxis]），你会看到他在哪里使用这个语句来获得网络的预测，以便计算训练梯度。我理解你的观点，即可以将模型视为一个层。我的问题是关于以这种方式使用模型时的输出与调用.predict（）时的输出之间的差异。在这两种情况下，您都需要模型的结果。在我的简单示例中，为什么.predict（）生成结果，而model（）生成错误。如果要使用函数API将模型用作另一个网络的一部分，请使用Layer（）（model）。如果你想得到模型给出的答案（它有相同的神经元，在相同的数据上具有相同的权重和偏差），你可以使用.predict（）。哦，我现在明白了。正如错误所述，
model（）
需要一个矩阵作为输入，您在其中提供了一个列表。要解决这个问题，只需将其转换为矩阵，即
模型（tf.变量（[[[1.1,2.2]]）
或
模型（np.数组（[[1.1,2.2]]）
。我也会把这个写在答案里。非常感谢。这是有道理的。我可以看到model（）的输出是一个张量，如果要将其用作另一个模型的输入，则需要张量。i、 e.使用功能API。.predict（）方法生成非张量结果。
left_proba = model(obs[np.newaxis])              # <--- HERE
action = (tf.random.uniform([1, 1]) > left_proba)
y_target = tf.constant([[1.]]) - tf.cast(action, tf.float32)
loss = tf.reduce_mean(loss_fn(y_target, left_proba))

output1 = tf.keras.layers.Dense(2)(input1)

output     = Dense(input)
left_proba = model(obs[...])