Метод test_on_batch класса Model

Метод test_on_batch применяется к модели Model для оценки качества работы на одной партии данных. Метод принимает входные данные x, целевые значения y, а также дополнительные параметры, такие как веса образцов sample_weight и флаг return_dict. В отличие от метода evaluate, который проходит по всему датасету, test_on_batch обрабатывает только одну партию и возвращает результат немедленно.

Синтаксис

Model.test_on_batch(x, y=None, sample_weight=None, return_dict=False)

Пример

Давайте создадим простую модель, скомпилируем ее и выполним оценку на одной партии данных:

import tensorflow as tf

tf.random.set_seed(0)

model = tf.keras.Sequential([
	tf.keras.layers.Dense(4, activation='relu', input_shape=(3,)),
	tf.keras.layers.Dense(1)
])

model.compile(optimizer='sgd', loss='mse', metrics=['mae'])

x = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
y = tf.constant([[1.0], [2.0]])

res = model.test_on_batch(x, y)
print(res)

Результат выполнения кода:

[23.794418, 4.8412805]

Пример

Давайте выполним оценку с параметром return_dict=True, чтобы получить результат в виде словаря:

<+python+> import tensorflow as tf tf.random.set_seed(0) model = tf.keras.Sequential([ tf.keras.layers.Dense(4, activation='relu', input_shape=(3,)), tf.keras.layers.Dense(1) ]) model.compile(optimizer='sgd', loss='mse', metrics=['mae']) x = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]]) y = tf.constant([[1.0], [2.0]]) res = model.test_on_batch(x, y, return_dict=True) print(res) <-python+>

Результат выполнения кода:

{'loss': 23.794418, 'mae': 4.8412805}

Пример

Давайте выполним оценку с учетом весов образцов:

import tensorflow as tf

tf.random.set_seed(0)

model = tf.keras.Sequential([
	tf.keras.layers.Dense(4, activation='relu', input_shape=(3,)),
	tf.keras.layers.Dense(1)
])

model.compile(optimizer='sgd', loss='mse', metrics=['mae'])

x = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
y = tf.constant([[1.0], [2.0]])
sample_weight = tf.constant([1.0, 0.5])

res = model.test_on_batch(x, y, sample_weight=sample_weight)
print(res)

Результат выполнения кода:

[17.845814, 4.8412805]

Смотрите также

метод evaluate,
который выполняет оценку модели на всем датасете
метод train_on_batch,
который выполняет обучение модели на одной партии данных
метод predict_on_batch,
который возвращает предсказания для одной партии данных
метод fit,
который выполняет обучение модели на всем датасете