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

Question

我使用Keras与TensorFlow后端训练CNN模型。

model.fit()和model.evaluate()之间是什么？我应该理想地使用哪一种？(我现在正在使用model.fit() )。

我知道model.fit()和model.predict()的用处。但我无法理解model.evaluate()的效用。Keras文档只是说：

并对模型进行了评价。

我觉得这是一个很模糊的定义。

Answer 1

fit()用于使用给定的输入(以及相应的培训标签)来训练模型。

evaluate()用于使用验证(或测试)数据和相应的标签来评估已经培训过的模型。返回模型的损失值和度量值。

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中应用一个回归模型：

# 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]

Answer 2

在深度学习中，你首先要培养你的模式。您可以将数据分成两组:培训集和测试集。你80%的数据进入你的训练集，20%进入你的测试集，这似乎是相当普遍的。

您的培训集被传递到您对fit()的调用中，测试集被传递到您对evaluate()的调用中。在fit操作期间，您的训练数据中的许多行被输入到您的神经网络中(根据您的批次大小)。在发送每一批之后，fit算法会进行反向传播，以调整神经网络中的权重。

这样做之后，你的神经网络就被训练好了。问题是，有时你的神经网络会变得过分适合，这是一个条件，它表现良好的训练集，但对其他数据不好。为了防止这种情况，您可以运行evaluate()函数，通过神经网络发送新数据(测试集)，查看它如何处理从未见过的数据。没有训练发生，这纯粹是一个测试。如果一切顺利，那么训练所得的分数与测试所得的分数是相似的。

Answer 3

fit()：将模型训练到给定数量的时代(这是用于训练时间，使用训练数据集)。

predict()：为输入示例生成输出预测(用于培训和测试时间之间的某个位置)。

value ()：返回模型在测试模式下的损失值&度量值(这是用于测试时间的，使用测试数据集)。