阅读量:1
Keras提供了一个方便的函数来对模型进行评估。您可以使用模型的evaluate方法来评估模型的性能。该方法需要输入数据和标签，并返回模型的性能指标。
下面是一个简单的示例，演示如何使用Keras来评估模型：
# 导入必要的库 import numpy as np from keras.models import Sequential from keras.layers import Dense # 创建一个简单的模型 model = Sequential() model.add(Dense(units=64, activation='relu', input_dim=100)) model.add(Dense(units=10, activation='softmax')) # 编译模型 model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy']) # 生成一些随机数据进行评估 x_test = np.random.random((1000, 100)) y_test = np.random.randint(10, size=(1000, 1)) # 对模型进行评估 loss, accuracy = model.evaluate(x_test, y_test) print('Test accuracy:', accuracy) 在上面的示例中，首先创建了一个简单的神经网络模型，然后编译了该模型。接着生成了一些随机的测试数据，并使用evaluate方法对模型进行评估。最后打印出模型的准确率。
在评估模型时，您可以选择不同的性能指标，比如准确率、损失值等。您也可以在evaluate方法中传入额外的参数，比如批大小等。
