我想在for循环中对输入多次运行keras模型的预测。有没有一种方法可以使for循环并行化，因为循环的每个迭代都彼此独立？我只想将每个迭代的预测存储在mc_predictions数组中。
mc_predictions = []
for i in range(100):
y_p = model.predict(x)
mc_predictions.append(y_p)
在我将模型的训练属性设置为True的情况下，我正在模型中使用辍学层。因此，每次我都会得到不同的结果，因为在每次迭代中都会停用不同的神经元。我在这里使用蒙特卡洛估计。
答案 0 :(得分：2)
Q ：“由于循环的每个迭代都彼此独立，是否有办法并行化 for循环？” < / p>
好吧，在实际的Parent实例内部没有深入了解。
model实例很容易成为全状态系统，并且每次调用model方法都会改变其内部状态的一部分...因此如果不重新检查.predict()的实现，就不能确定先验吗？
– user3666197 6 min ago
预告片was添加了“ ...在每次迭代中，不同的神经元将被停用。” 情况发生了变化。
没有办法使按定义的纯 model 过程“发生”为True- [SERIAL] 。< / p>
Q.E.D。
但是这真的是一个纯串行过程吗？我的意思是，每个迭代都是独立的。只要使随机神经元失活，迭代中失活的神经元就没有关系。
– Crazzay1903 4 hours ago
在最有可能的情况下，是，这是一个纯粹的 [PARALLEL] 过程（除非以某种方式并经过充分证明不能这样做）是-但随后，它也将陷入无法保留可重复且可重新验证的科学的陷阱（有人可能会辩称它可能在法律上成为一种原则上不确定的随机过程- 公平，确定 -然而，即使如此，也证明了已经实现了这种鲁棒的不确定性随机过程，从而能够证明它在某些True- < strong> [SERIAL] 流程的实现（如果经过尝试并证明是这样的话），但是 [PARALLEL] 方法必须，并且否则，与任何严格的，定量支持的公平科学方法相比，它更像是千里眼，不是吗？）这不是目标，是吗？）
Q.E.D。
答案 1 :(得分：0)
在每次迭代中您将获得相同的结果，我不明白为什么要这样做。
也许您正在寻找分层k折法之类的方法，您可以在模型中训练和验证不同数据样本。