Keras模型中，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。我使用model.evaluate()，它给出的Dice系数为0.916。然而，当我使用model.predict()后，通过计算Dice系数循环预测图像时，Dice系数为0.82。这两个值为什么不同？

- Saeed Alahmari

Answer 1

model.evaluate函数会为给定的输入预测输出，然后计算在model.compile中指定的度量函数，基于y_true和y_pred，并将计算出的度量值作为输出返回。

model.predict仅返回y_pred

因此，如果您使用model.predict，然后自行计算度量值，则计算出的度量值应与model.evaluate相同

例如，在评估基于RNN / LSTM的模型时，需要将输出作为下一个时间步骤的输入，因此您应该使用model.predict而不是model.evaluate

- javac

Answer 2

问题在于，Keras 中的每个度量指标都是按照以下方式评估的：

1. 对于每个批次，会计算一个度量指标值。
2. 当前损失值（在计算了 k 个批次后）等于计算出的这 k 个批次的度量指标平均值。
3. 最终结果是所有批次上计算出的损失值的平均值。

大多数流行的度量指标（如 mse、categorical_crossentropy、mae 等） - 每个样例的损失值的平均值 - 具有这样一个属性，使得这种计算方法可以得到正确的结果。但在 Dice Coefficient 的情况下，跨所有批次的平均值并不等于在整个数据集上计算出的实际值，而由于 model.evaluate() 使用了这种计算方法，这就是问题的直接原因。

- Marcin Możejko

Answer 3

keras.evaluate() 函数将为每个批次提供损失值。 keras.predict()函数将为每个批次中的所有样本提供实际预测结果，对于所有批次也是如此。因此，即使使用相同的数据，由于损失函数的值几乎总是与预测值不同，所以仍然会存在差异。这是两个不同的概念。

- Autonomous

---

确切地说，keras.evaluate 不是衡量分类器在实际世界中精度的可靠方式。人们应该有自己的代码来计算这个指标。 - StatguyUser

但是，model.evaluate() 不仅提供了损失值，还提供了在 model.compile 中定义的指定精度指标，就像 @javac 指出的那样。model.metrics_name 显示了 evaluate() 的输出内容。 - MJimitater

Answer 4

这篇文章是关于正则化的。 model.predict() 返回模型的最终输出，也就是答案。而 model.evaluate() 返回的是损失函数。损失函数用于训练模型（通过反向传播），并且它不是答案。

此ML Tokyo视频可以帮助理解model.evaluate()和model.predict()之间的区别。

- FooBar167