Keras 中的 model.fit() 和 model.evaluate() 有什么区别？
What is the difference between model.fit() an model.evaluate() in Keras?
我正在使用带有 TensorFlow 后端的 Keras 来训练 CNN 模型。
model.fit() 和 model.evaluate() 之间是什么？我应该理想地使用哪一个？ （我现在正在使用 model.fit()）。
我知道 model.fit() 和 model.predict() 的用处。但是我无法理解 model.evaluate() 的效用。 Keras 文档只是说：
It is used to evaluate the model.
我觉得这是一个非常模糊的定义。
fit() 用于使用给定输入（和相应的训练标签）训练模型。
evaluate() 用于使用验证（或测试）数据和相应标签评估已训练的模型。 Returns 模型的损失值和指标值。
predict() 用于实际预测。它为输入样本生成输出预测。
让我们考虑一个简单的回归示例：
# input and output
x = np.random.uniform(0.0, 1.0, (200))
y = 0.3 + 0.6*x + np.random.normal(0.0, 0.05, len(y))
现在让我们在 keras 中应用回归模型：
# A simple regression model
model = Sequential()
model.add(Dense(1, input_shape=(1,)))
model.compile(loss='mse', optimizer='rmsprop')
# The fit() method - trains the model
model.fit(x, y, nb_epoch=1000, batch_size=100)
Epoch 1000/1000
200/200 [==============================] - 0s - loss: 0.0023
# The evaluate() method - gets the loss statistics
model.evaluate(x, y, batch_size=200)
# returns: loss: 0.0022612824104726315
# The predict() method - predict the outputs for the given inputs
model.predict(np.expand_dims(x[:3],1))
# returns: [ 0.65680361],[ 0.70067143],[ 0.70482892]
fit()：训练模型给定数量的epochs（这是为了训练时间，使用训练数据集）。
predict()：为输入样本生成输出预测（这是在训练和测试时间之间的某个时间）。
evaluate(): Returns 测试模式下模型的损失值和指标值（这是用于测试时间，使用测试数据集）。
在深度学习中，您首先要训练您的模型。您将数据分成两组：训练集和测试集。 80% 的数据进入训练集，20% 的数据进入测试集，这似乎很常见。
您的训练集被传递到您对 fit() 的调用中，您的测试集被传递到您对 evaluate() 的调用中。在拟合操作期间，您的训练数据的许多行被输入您的神经网络（基于您的批量大小）。发送每批次后，拟合算法会进行反向传播以调整神经网络中的权重。
完成后，你的神经网络就训练好了。问题是有时你的神经网络会过度拟合，这是一种对训练集表现良好但对其他数据表现不佳的情况。为了防止这种情况，你 运行 evaluate() 函数通过你的神经网络发送新数据（你的测试集），看看它如何处理它从未见过的数据。没有培训发生，这纯粹是一个测试。如果一切顺利，那么训练的分数与测试的分数相似。
虽然以上所有答案都解释了这些函数的作用：fit()、evaluate() 或 predict()，但我认为更重要的一点是要记住 fit() 和 evaluate 应该使用哪些数据().
我在 Machine Learning Mastery 中遇到的最明确的指导方针和其中的特别引述：
训练集：用于学习的一组样例，即拟合分类器的参数。
验证集：一组用于调整分类器参数的示例，例如选择神经网络中隐藏单元的数量。
测试集：一组示例，仅用于评估完全指定分类器的性能。
：Brian Ripley，第 354 页，模式识别和神经网络，1996
您不应使用用于训练（调整）模型（验证数据）的相同数据来评估完全训练模型（评估）的性能（泛化）。
用于 evaluate() 的测试数据应该 unseen/not 用于训练 (fit())，以便成为模型评估（用于泛化）的任何可靠指标。
对于 Predict()，您可以仅使用您选择的一个或几个示例（来自任何地方）以从您的模型中快速检查或回答。我不相信它可以用作泛化的唯一参数。
这里没有提到的一件事，我认为需要具体说明。 model.evaluate() returns 包含损失数字和准确度数字的列表。上面的答案中没有说的是，“损失”数字是为 x_test 数组中的每个项目计算的所有损失的总和。 x_test 将包含您的测试数据，而 y_test 将包含您的标签。应该清楚的是，损失数字是 ALL 损失的总和，而不仅仅是 x_test 数组中一项的损失。
我会说所有迭代产生的损失的平均值，而不是总和。但是当然，这是这里最重要的信息，否则建模者会有点困惑。
我正在使用带有 TensorFlow 后端的 Keras 来训练 CNN 模型。
model.fit() 和 model.evaluate() 之间是什么？我应该理想地使用哪一个？ （我现在正在使用 model.fit()）。
我知道 model.fit() 和 model.predict() 的用处。但是我无法理解 model.evaluate() 的效用。 Keras 文档只是说：
It is used to evaluate the model.
我觉得这是一个非常模糊的定义。
fit() 用于使用给定输入（和相应的训练标签）训练模型。
evaluate() 用于使用验证（或测试）数据和相应标签评估已训练的模型。 Returns 模型的损失值和指标值。
predict() 用于实际预测。它为输入样本生成输出预测。
让我们考虑一个简单的回归示例：
# input and output
x = np.random.uniform(0.0, 1.0, (200))
y = 0.3 + 0.6*x + np.random.normal(0.0, 0.05, len(y))
现在让我们在 keras 中应用回归模型：
# A simple regression model
model = Sequential()
model.add(Dense(1, input_shape=(1,)))
model.compile(loss='mse', optimizer='rmsprop')
# The fit() method - trains the model
model.fit(x, y, nb_epoch=1000, batch_size=100)
Epoch 1000/1000
200/200 [==============================] - 0s - loss: 0.0023
# The evaluate() method - gets the loss statistics
model.evaluate(x, y, batch_size=200)
# returns: loss: 0.0022612824104726315
# The predict() method - predict the outputs for the given inputs
model.predict(np.expand_dims(x[:3],1))
# returns: [ 0.65680361],[ 0.70067143],[ 0.70482892]
fit()：训练模型给定数量的epochs（这是为了训练时间，使用训练数据集）。
predict()：为输入样本生成输出预测（这是在训练和测试时间之间的某个时间）。
evaluate(): Returns 测试模式下模型的损失值和指标值（这是用于测试时间，使用测试数据集）。
在深度学习中，您首先要训练您的模型。您将数据分成两组：训练集和测试集。 80% 的数据进入训练集，20% 的数据进入测试集，这似乎很常见。
您的训练集被传递到您对 fit() 的调用中，您的测试集被传递到您对 evaluate() 的调用中。在拟合操作期间，您的训练数据的许多行被输入您的神经网络（基于您的批量大小）。发送每批次后，拟合算法会进行反向传播以调整神经网络中的权重。
完成后，你的神经网络就训练好了。问题是有时你的神经网络会过度拟合，这是一种对训练集表现良好但对其他数据表现不佳的情况。为了防止这种情况，你 运行 evaluate() 函数通过你的神经网络发送新数据（你的测试集），看看它如何处理它从未见过的数据。没有培训发生，这纯粹是一个测试。如果一切顺利，那么训练的分数与测试的分数相似。
虽然以上所有答案都解释了这些函数的作用：fit()、evaluate() 或 predict()，但我认为更重要的一点是要记住 fit() 和 evaluate 应该使用哪些数据().
我在 Machine Learning Mastery 中遇到的最明确的指导方针和其中的特别引述：
训练集：用于学习的一组样例，即拟合分类器的参数。
验证集：一组用于调整分类器参数的示例，例如选择神经网络中隐藏单元的数量。
测试集：一组示例，仅用于评估完全指定分类器的性能。
：Brian Ripley，第 354 页，模式识别和神经网络，1996
您不应使用用于训练（调整）模型（验证数据）的相同数据来评估完全训练模型（评估）的性能（泛化）。
用于 evaluate() 的测试数据应该 unseen/not 用于训练 (fit())，以便成为模型评估（用于泛化）的任何可靠指标。
对于 Predict()，您可以仅使用您选择的一个或几个示例（来自任何地方）以从您的模型中快速检查或回答。我不相信它可以用作泛化的唯一参数。
这里没有提到的一件事，我认为需要具体说明。 model.evaluate() returns 包含损失数字和准确度数字的列表。上面的答案中没有说的是，“损失”数字是为 x_test 数组中的每个项目计算的所有损失的总和。 x_test 将包含您的测试数据，而 y_test 将包含您的标签。应该清楚的是，损失数字是 ALL 损失的总和，而不仅仅是 x_test 数组中一项的损失。
我会说所有迭代产生的损失的平均值，而不是总和。但是当然，这是这里最重要的信息，否则建模者会有点困惑。