Keras 中 model(x) 和 model.predict(x) 之间的区别？

Question

在 Keras 中使用

model(x)

和

model.predict(x)

预测模型结果有什么区别？

Answer 1

带有tensorflow后端的Keras使用底层tensorflow对象，但主要是提供可以在tensorflow环境之外理解的高级输出（例如，它可以输出numpy数组或python列表）。
今天给出了tensorflow 2.0中的模型（构建使用 keras 库），

out_np = model.predict(x)

提供了一个 numpy 数组，例如，可以用

print(out_np)

打印。
另一方面，

out_tf = model(x)

结果为张量流对象，可以使用

.numpy()

将其转换为 numpy 数组
两个结果是等价的，作为例子，我们有以下为真，

out_np.max() == out_tf.numpy().max()

格式可能不同，但

model(x)

和

model.predict(x)

的含义是相同的：
给定输入x，它是由其结构、权重和偏差表征的网络输出节点的值。

Answer 2

它们并不完全相同。 来自Chollet 的 Python 深度学习：

.... 这意味着

predict()

调用可以扩展到非常大的数组。同时，

model(x)

发生在内存中并且不会扩展。另一方面，

predict()

是不可微分的：如果在 GradientTape 范围内调用它，则无法检索其梯度。 当您需要检索模型调用的梯度时，应该使用

model(x)

；如果您只需要输出值，则应该使用

predict()

。换句话说，除非您正在编写低级梯度下降循环（就像我们现在一样），否则请始终使用

predict()

。

Answer 3

model(x) 可以比 model.predict(x) 更快，在我的例子中，对于 DQN 中较小的 NN 来说快 5 倍