keras中model.evaluate ， model.predict和model.predict_classes的区别

此文为转载，后续会自己补充
model.evaluate函数预测给定输入的输出，然后计算model.compile中指定的metrics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只返回y_pred。

model.evaluate 用于评估您训练的模型。它的输出是准确度或损失，而不是对输入数据的预测。

model.predict 实际预测，其输出是目标值，根据输入数据预测。

来源： https://www.quora.com/What-is-the-difference-between-keras-evaluate-and-keras-predict

在keras中做深度网络预测时，有这两个预测函数model.predict_classes(test) 和model.predict(test)，本例中是多分类，标签经过了one-hot编码，如[1,2,3,4,5]是标签类别，经编码后为[1 0 0 0 0],[0 1 0 0 0]…[0 0 0 0 1]

model.predict_classes(test)预测的是类别，打印出来的值就是类别号
同时只能用于序列模型来预测，不能用于函数式模型

predict_test = model.predict_classes(X_test).astype('int')
  inverted = encoder.inverse_transform([predict_test])
  print(predict_test)
  print(inverted[0])
   [1 0 0 ... 1 0 0]
   [2. 1. 1. ... 2. 1. 1.]

model.predict(test)预测的是数值,而且输出的还是5个编码值，不过是实数，预测后要经过argmax(predict_test,axis=1)

predict_test = model.predict(X_test)
  predict = argmax(predict_test,axis=1)  #axis = 1是取行的最大值的索引，0是列的最大值的索引
  inverted = encoder.inverse_transform([predict])
  print(predict_test[0:3])
  print(argmax(predict_test,axis=1))
  print(inverted)
    [[9.9992561e-01 6.9890179e-05 2.3676146e-06 1.9608513e-06 2.5582506e-07]
     [9.9975246e-01 2.3708738e-04 4.9365349e-06 5.2166861e-06 3.3735736e-07]
     [9.9942291e-01 5.5233808e-04 8.9857504e-06 1.5617061e-05 2.4388814e-07]]
    [0 0 0 ... 0 0 0]
    [[1. 1. 1. ... 1. 1. 1.]]

由于前几个和后几个每个预测值编码都是第一列最大，所以索引是0，反编码后是1

原文：https://blog.csdn.net/zds13257177985/article/details/80638384