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

Question

我正在使用带有TensorFlow后端的Keras来训练CNN模型。

model.fit()和model.evaluate()之间有什么关系？理想情况下我应该使用哪一个？ （我现在使用的是model.fit()）。

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

它用于评估模型。

我觉得这是一个非常含糊的定义。

Answer 1

fit()用于训练具有给定输入（以及相应的训练标签）的模型。

evaluate()用于使用验证（或测试）数据和相应的标签评估已经训练的模型。返回模型的损失值和指标值。

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

fit（）：为给定数量的历元训练模型（这是用于训练时间，使用训练数据集）。

predict（）：为输入样本生成输出预测（这适用于训练和测试时间之间的某处）。

evaluate（）：返回测试模式下模型的损耗值和度量值（这是测试时间，使用测试数据集）。

Answer 3

在深度学习中，您首先要训练您的模型。您获取数据并将其分为两组：训练集和测试集。 80％的数据进入您的训练集并且20％进入您的测试集似乎很常见。

您的训练集将传递到您对fit()的调用中，您的测试集将传递到您对evaluate()的调用中。在拟合操作期间，您的训练数据的多行被输入您的神经网络（基于您的批量大小）。在发送每个批次之后，拟合算法会进行反向传播以调整神经网络中的权重。

完成此操作后，您的神经网络将被训练。问题是有时你的神经网络会过度拟合，这是一种对训练集表现良好但对其他数据表现不佳的情况。为防止出现这种情况，您可以运行evaluate()函数，通过神经网络发送新数据（测试集），看看它是如何处理从未见过的数据。没有训练发生，这纯粹是一种考验。如果一切顺利，那么训练的分数与测试分数相似。