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

Question

我用Keras生物医学图像分割来分割脑细胞。我用了model.evaluate()，它给了我骰子系数: 0.916。然而，当我使用model.predict()，然后循环通过计算骰子系数预测图像，骰子系数是0.82。为什么这两个价值观是不同的？

Answer 1

问题在于，Keras中的每个度量都是以下列方式计算的：

1. 对于每个batch，计算一个度量值。
2. 损失的当前值(在k批处理之后，等于计算出的k批的度量平均值)。
3. 最后的结果是所有批次计算的所有损失的平均值。

大多数最流行的度量标准(如mse、categorical_crossentropy、mae等)--作为每个示例的损失值的平均值--都具有这样的评估最终得到适当结果的属性。但是，在Dice系数的情况下--在所有批次中其值的平均值并不等于在整个数据集中计算的实际值，而且由于model.evaluate()使用这种计算方法--这是造成问题的直接原因。

Answer 2

model.evaluate函数预测给定输入的输出，然后计算model.compile中指定的基于y_true和y_pred的度量函数，并将计算出来的度量值作为输出返回。

model.predict只返回y_pred

因此，如果您使用model.predict，然后自己计算度量，则计算出来的度量值应该与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，需要在下一时间步骤将输出作为输入输入。

Answer 3

keras.evaluate()函数将给出每个批的损失值。keras.predict()函数将为批处理中的所有样本和所有批次提供实际预测。因此，即使使用相同的数据，差异也会存在，因为损失函数的值几乎总是与预测值不同。这是两件不同的事情。