Keras model.evaluate() 和 model.predict() 有什么区别？

Question

我使用 Keras 生物医学图像分割来分割大脑神经元。我用 model.evaluate() 它给了我骰子系数：0.916。但是，当我使用model.predict()，然后通过计算Dice系数循环遍历预测图像时，Dice系数为0.82。为什么这两个值不同？

Answer 1

keras.evaluate() 函数将为您提供每批次的损失值。 keras.predict() 函数将为您提供所有批次中所有样本的实际预测。因此，即使您使用相同的数据，也会存在差异，因为损失函数的值几乎总是与预测值不同。这是两个不同的东西。

Answer 2

问题在于 Keras 中的每个指标都按以下方式评估：

1. 对每个 batch 一个指标值进行评估。
2. 损失的当前值（在 k 批次之后等于计算的 k 批次中指标的平均值）。
3. 最终结果是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、categorical_crossentropy、mae）等 - 作为每个示例的平均损失值 - 具有 属性 这样的评估最终会得到正确的结果。但是在骰子系数的情况下——它在所有批次中的平均值不等于在整个数据集上计算的实际值，因为 model.evaluate() 使用这种计算方式——这是你问题的直接原因。

Answer 3

model.evaluate 函数预测给定输入的输出，然后根据 y_true 和 y_pred 和 [= 计算 model.compile 中指定的度量函数28=] 计算的度量值作为输出。

model.predict 刚刚 returns 返回 y_pred

因此，如果您使用 model.predict 然后自己计算指标，则计算出的指标值应该与 model.evaluate

相同

例如，在评估基于 RNN/LSTM 的模型时，可以使用 model.predict 而不是 model.evaluate，在该模型中输出需要作为下一个时间步的输入

Answer 4

这是关于正则化的。 model.predict() returns 模型的最终输出，即答案。而model.evaluate()returns则损失。损失用于训练模型（通过反向传播），它不是答案。

这个video of ML Tokyo应该有助于理解model.evaluate()和model.predict()之间的区别。