Python 凯拉斯：model.predict和model.predict的区别是什么

我发现

model.predict

和

model.predict\u probabila

都给出了一个相同的2D矩阵，表示每一行每一类别的概率

---

这两个函数的区别是什么？

预测

predict(self, x, batch_size=32, verbose=0)

为输入样本生成输出预测，以批处理方式处理样本

论据

x: the input data, as a Numpy array.
batch_size: integer.
verbose: verbosity mode, 0 or 1.

x: input data, as a Numpy array or list of Numpy arrays (if the model has multiple inputs).
batch_size: integer.
verbose: verbosity mode, 0 or 1.

返回

A Numpy array of predictions.

A Numpy array of probability predictions.

预测概率

predict_proba(self, x, batch_size=32, verbose=1)

逐批为输入样本生成类概率预测

论据

x: the input data, as a Numpy array.
batch_size: integer.
verbose: verbosity mode, 0 or 1.

x: input data, as a Numpy array or list of Numpy arrays (if the model has multiple inputs).
batch_size: integer.
verbose: verbosity mode, 0 or 1.

返回

A Numpy array of predictions.

A Numpy array of probability predictions.

---

编辑：在keras的最新版本中，预测和预测概率是相同的，即两者都给出概率。要获取类标签，请使用predict_类。文档未更新（改编自Avijit Dasgupta的评论）

如前面的评论所述（和），目前没有任何区别。

---

然而，有人似乎（不确定是哪一个，我很想知道）。

只是一句话：事实上，在大多数分类器中（例如在Scikit中），你都有

predict

和

predict\u proba

。如前所述，第一个预测类，第二个提供每个类的概率，按升序分类。

但它似乎是一个模型。predict还提供了大量的概率预测，而不是直接样本标签！我不这么认为。预测不一定给你直接的标签，它可以给你标签的分数，从中你可以找到最好的标签，但预测不提供类别概率。在最新版本的keras中，预测和预测概率是相同的，即两者都给出概率。要获取类标签，请使用predict_类。文档未更新。

model.predict\u proba

似乎不再存在于Keras 2.0.8中。