问题引入：在以往我在做深度学习实验时，预测结果会调用model.ecaluate，可以直接到到loss与accuracy。但是最近要做DS证据理论融合实验，这个输出结果就用不上了，那么要怎么办呢？
model = Sequential()
score = model.evaluate(x_test, y_test_hot, verbose=1)
print('test loss:', score[0])
print('test accuracy:', score[1])
- model.predict(x_test)
在多分类问题中，我们利用已经训练好的模型，对x_test进行预测，得到概率总和为1。这就需要借助我们model.predict(x_test)了，这个预测出来的是数值
# mode.predict predict_test = model.predict(x_test) # 为了测试下每行概率总和是否为1,我取了前10行测试了下 sum_all = [] for i in range(10): sum_all.append(round(sum(predict_test[i]), 2)) print(sum_all) ################ # 测试结果 # [1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0]
此外，这里还要再补充一点，这个通常是softmax函数来做的事情，那么接下来的你如果想进一步操作，可以调用tf.argmax来获取预测类别。
用法：tf.argmax(x,axis)来求解axis轴上，x最大值所在的索引号，这里我给举个例子：
import tensorflow as tf out = tf.random.normal([10,3]) out = tf.nn.softmax(out, axis=1) #输出转换为概率 pred = tf.argmax(out, axis=1) #计算预测值
- model.predict_classes(x_test)
其实我们可以理解model.predict_classes就是上述model.predict和tf.argmax的结合了，model.predict_classes只能用于序列模型的预测，不能用于函数式模型
