keras model.evaluate（）和model.predict（）之间的区别

Question

我使用keras生物医学图像分割来分割脑神经元。我使用model.evaluate()它给了我Dice coef：0.916，然而，当我使用model.predict然后通过计算Dice coef循环通过预测图像时，Dice coef是0.82。任何的想法？

谢谢

Answer 1

问题在于Keras中的每个指标都以下列方式评估：

1. 对于每个batch，评估度量值。
2. 当前损失值（在k批次之后等于计算的k批次中度量的平均值）。
3. 最终结果是作为所有批次计算的所有损失的平均值获得的。

大多数最受欢迎的指标（如mse，categorical_crossentropy，mae）等 - 作为每个示例的损失值的平均值 - 具有这样的属性，这种评估最终得到了正确的结果。但是在Dice Coefficient的情况下 - 它在所有批次中的值的平均值不等于在整个数据集上计算的实际值，并且model.evaluate()使用这种计算方式 - 这是您的问题的直接原因。

Answer 2

keras.evaluate()函数将为您提供每批的损失值。对于所有批次，keras.predict()函数将为您提供批次中所有样品的实际预测。因此，即使您使用相同的数据，也会存在差异，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。

Answer 3

model.evaluate函数预测给定输入的输出，然后计算model.compile中指定的度量函数，并基于y_true和y_pred，并返回计算的度量值作为输出。

model.predict刚刚返回y_pred

因此，如果您使用model.predict然后自己计算指标，计算出的指标值应该与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，其中输出需要在下一个时间步骤中作为输入馈送