本章內(nèi)容將為大家介紹 Keras 中的模型評(píng)估和模型預(yù)測(cè)。下面，讓我們一起來了解一下模型評(píng)估。

模型評(píng)估

評(píng)估是模型開發(fā)過程中的一個(gè)過程，用于檢查模型是否最適合給定的問題和相應(yīng)的數(shù)據(jù)。Keras 模型提供了一個(gè)函數(shù)，evaluate 對(duì)模型進(jìn)行評(píng)估。它有三個(gè)主要論點(diǎn)：

• 測(cè)試數(shù)據(jù)
• 測(cè)試數(shù)據(jù)標(biāo)簽
• verbose : true或false

讓我們使用測(cè)試數(shù)據(jù)評(píng)估我們?cè)谏弦徽轮袆?chuàng)建的模型:

score = model.evaluate(x_test, y_test, verbose = 0) 


print('Test loss:', score[0]) 
print('Test accuracy:', score[1])

執(zhí)行上面的代碼會(huì)輸出下面的信息:

0

測(cè)試準(zhǔn)確率為98.28%。我們創(chuàng)建了一個(gè)最佳模型來識(shí)別手寫數(shù)字。從積極的方面來看，我們?nèi)匀豢梢愿倪M(jìn)我們的模型。

模型預(yù)測(cè)

預(yù)測(cè)是最后一步，也是我們對(duì)模型生成的預(yù)期結(jié)果。Keras 提供了一種方法predict來得到訓(xùn)練模型的預(yù)測(cè)。預(yù)測(cè)方法的簽名如下:

predict(
   x, 
   batch_size = None, 
   verbose = 0, 
   steps = None, 
   callbacks = None, 
   max_queue_size = 10, 
   workers = 1, 
   use_multiprocessing = False
)

在這里，除了第一個(gè)參數(shù)外，所有參數(shù)都是可選的，它指的是未知的輸入數(shù)據(jù)。應(yīng)保持形狀以獲得正確的預(yù)測(cè)。

讓我們使用以下代碼對(duì)上一章中創(chuàng)建的 MPL 模型進(jìn)行預(yù)測(cè):

pred = model.predict(x_test) 
pred = np.argmax(pred, axis = 1)[:5] 
label = np.argmax(y_test,axis = 1)[:5] 


print(pred) 
print(label)

• 第 1 行 使用測(cè)試數(shù)據(jù)調(diào)用 predict 函數(shù)。
• 第 2 行 獲取前五個(gè)預(yù)測(cè)
• 第 3 行 獲取測(cè)試數(shù)據(jù)的前五個(gè)標(biāo)簽。
• 第 5 - 6 行 打印預(yù)測(cè)和實(shí)際標(biāo)簽。

上述應(yīng)用程序的輸出如下:

[7 2 1 0 4] 
[7 2 1 0 4]

兩個(gè)數(shù)組的輸出是相同的，這表明我們的模型正確預(yù)測(cè)了前五個(gè)圖像。