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

Question

我正在使用Keras和TensorFlow后端来训练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？ （截至目前我正在使用model.fit()）。

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

  

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

在深度学习中，您首先要训练模型。您将数据分成两组：训练集和测试集。 80％的数据进入训练集，而20％的数据进入测试集，这似乎很常见。

您的训练集将传递到您对df$group <- factor(df$group) library(plotly) library(dplyr) plotly::plot_ly(df,showlegend=T) %>% plotly::add_bars(x=~x,y=~y,width=~width,color=~group) %>% plotly::layout(legend=list(x=1,y=0)) %>% plotly::layout(xaxis=list(title=NA,zeroline=F,tickangle=45,range=x.range,tickvals=df$x,ticktext=df$name),yaxis=list(title=NA,zeroline=F,showgrid=F,range=c(0,1),showticklabels=F)) 的呼叫中，而您的测试集将传递到您对fit()的呼叫中。在拟合操作期间，您的训练数据的许多行将被馈入您的神经网络（基于批次大小）。发送完每批之后，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，将对您的神经网络进行训练。问题是您的神经网络有时会过度拟合，这对于训练集而言表现良好，而对其他数据则表现不佳。为了防止这种情况，您运行evaluate()函数以通过神经网络发送新数据（您的测试集），以查看其如何处理从未见过的数据。没有训练发生，这纯粹是测试。如果一切顺利，那么训练所得的分数与测试所得的分数相似。

Answer 3

fit（）：针对给定的时期数训练模型（这是针对训练时间，带有训练数据集）。

predict（）：为输入样本生成输出预测（这是在训练和测试时间之间的某个时间）。

evaluate（）：返回测试模式下模型的损失值和指标值（用于测试时间，带有测试数据集）。

Answer 4

虽然以上所有答案都解释了这些功能：fit（），evaluate（）或predict（），但是我要记住的更重要的一点是，应该为fit（）和evaluate（）使用哪些数据。

我在Machine Learning Mastery中遇到的最清晰的指导原则以及其中的特殊引文：

训练集：一组用于学习的示例，它适合分类器的参数。

验证集：一组用于调整分类器参数的示例，例如，选择神经网络中隐藏单元的数量。

测试集：一组示例，仅用于评估完全指定的分类器的效果。

： Brian Ripley，第354页，模式识别和神经网络，1996年

您不应使用用于训练（调整）模型（验证数据）的相同数据来评估经过完全训练的模型（评估）的性能（概括）。

用于评估（）的测试数据应该不可见/不用于训练（fit（）），以便成为模型评估（用于生成）的任何可靠指标。

对于Predict（），您可以仅使用一个或几个您选择的示例（从任何地方），以快速从模型中进行检查或回答。我不认为它可以用作泛化的唯一参数。