分享model.predict(test)与model.predict_classes(test)的用法

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])

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

2. 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