python - Keras:test_on_batch 和 predict_on_batch 之间的区别

Question

在 Philippe Remy 的 blog post在有状态 LSTM 上，他在底部说“您可能必须通过调用 predict_on_batch() 或 test_on_batch() 手动进行验证/测试”。

查看the documentation , predict_on_batch 这样做:

predict_on_batch(self, x)

Returns predictions for a single batch of samples.

Arguments

    x: Input samples, as a Numpy array.

Returns

Numpy array(s) of predictions.

test_on_batch 这样做:

test_on_batch(self, x, y, sample_weight=None)

Test the model on a single batch of samples.

Arguments

    x: Numpy array of test data, or list of Numpy arrays if the model has multiple inputs. If all inputs in the model are named, you can also pass a dictionary mapping input names to Numpy arrays.
    y: Numpy array of target data, or list of Numpy arrays if the model has multiple outputs. If all outputs in the model are named, you can also pass a dictionary mapping output names to Numpy arrays.
    sample_weight: Optional array of the same length as x, containing weights to apply to the model's loss for each sample. In the case of temporal data, you can pass a 2D array with shape (samples, sequence_length), to apply a different weight to every timestep of every sample. In this case you should make sure to specify sample_weight_mode="temporal" in compile().

Returns

Scalar test loss (if the model has a single output and no metrics) or list of scalars (if the model has multiple outputs and/or metrics). The attribute model.metrics_names will give you the display labels for the scalar outputs

我在我的训练循环中使用 train_on_batch，基本上与博文中的完全一样。我如何知道是使用 predict_on_batch 还是 test_on_batch 进行交叉验证？

Answer 1

所以基本上:

• predict_on_batch 为您提供一组对您作为参数提供的数据的预测。如果您训练用于识别猫和狗的网络 - 一旦您将图像提供给 predict_on_batch 方法 - 如果给定图像中有猫或狗，您将获得概率。您还可以使用这些概率来评估您的模型。
• test_on_batch 为您提供一个标量，用于衡量模型的性能。给定图像和真实标签 - 它正在计算一系列损失和指标(在模型编译时定义)，这些指标衡量您的模型如何拟合数据。

后缀 on_batch 来自模型一次执行所有计算的事实。有时这是不可行的，所以最好将数据分成小块并执行多次计算。 keras 为您提供自动执行此操作的功能。所以predict相当于 predict_on_batch 和 evaluate - 到 test_on_batch。

为了选择交叉验证期间使用的函数 - 您需要使用:

• predict/predict_on_batch 当您需要实际预测时，而不仅仅是指标值。但是，在这种情况下，您仍然需要计算指标值。
• test_on_batch/evaluate 当您只需要指标值时。

因此 - 如您所见 - 您实际上可以在评估模型时结合这两个函数。如果您只是想要指标 - 尝试 test_on_batch/evaluate 因为它可以为您节省大量计算。