Question

使用model（x）和model.predict（x）预测Tensorflow中模型的结果有什么区别？

Answer 1

假设您正在使用tf.keras.models.Model：

model.predict()：预测给定样本X的标签。如果模型具有多个输出，它将返回NumPy数组或NumPy数组的列表。应该在推断时使用。

model( another_model )：如您所知，在Keras中，我们可以调用每个图层以将它们与Input图层和其他图层 connect 连接起来。我们可以以这种方式堆叠图层。

x = Input()
dense = Dense( 32 )( x )
y = Dense( 2 )( dense )
model = Model( x , y )

现在，以类似的方式，我们也可以堆叠模型。

final_model = model_1 ( model_2 )

这里，输入将依次流经model_1和model_2的输入。

Answer 2

具有tensorflow后端的Keras使用底层的tensorflow对象，但大多数情况下提供了可以在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）。
今天给出了一个模型在tensorflow 2.0中（使用keras库构建），

out_np = model.predict(x)

提供了一个numpy数组，例如，可以使用print(out_np)打印。
另一方面，

out_tf = model(x)

结果生成一个tensorflow对象，可以使用.numpy()将其转换为numpy数组
这两个结果是相等的，例如，我们有以下内容为True，

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

格式可能不同，但是model(x)和model.predict(x)的含义是相同的：
给定输入x，它是网络输出节点的值，其特征在于其结构，权重和偏差。