使用model.predict()时如何同步获取数据集标签以对比预测结果？

这里有几种既能利用TensorFlow内置优化，又能保留标签与预测值关联的方案：

方案一：利用tf.data.Dataset.map结合模型预测（推荐） #

直接在Dataset的map操作里调用模型，能享受到Dataset的多线程流水线优化，同时直接保留标签和预测值的对应关系：

# 切换模型到推理模式
model.trainable = False

# 定义处理函数，输入x,y，返回(y, 预测值)
def predict_with_label(x, y):
    y_pred = model(x, training=False)
    return y, y_pred

# 启用多线程处理数据集
processed_dataset = dataset.map(predict_with_label, num_parallel_calls=tf.data.AUTOTUNE)

# 收集结果
results = list(processed_dataset.as_numpy_iterator())

这种方式的效率和model.predict接近，完全利用TensorFlow的输入流水线优化，无需手动遍历。

方案二：分离标签后用model.predict匹配 #

如果数据集没有乱序，且能一次性将所有标签加载到内存，可以先提取标签，再用model.predict获取预测值后配对：

# 提取所有标签
labels = []
for _, y in dataset:
    labels.extend(y.numpy())  # 根据实际batch size调整逻辑

# 用predict获取所有预测值，结果顺序与原数据集完全一致
predictions = model.predict(dataset.map(lambda x, y: x), verbose=1)

# 配对标签与预测值
results = list(zip(labels, predictions))

该方案完全复用model.predict的全部优化，但仅适合小数据集，大数据集提取标签会占用过多内存。

方案三：包装模型同时输出标签和预测值 #

构建一个简单的包装模型，将(x, y)作为输入，输出(y, model(x))，再用包装模型的predict方法处理原数据集：

# 定义包装模型，替换y_shape为你的标签实际形状
input_x = model.input
input_y = tf.keras.Input(shape=y_shape)
y_pred = model(input_x)
wrapper_model = tf.keras.Model(inputs=[input_x, input_y], outputs=(input_y, y_pred))

# 直接用包装模型predict原数据集，得到(y, y_pred)对
results = wrapper_model.predict(dataset, verbose=1)

这种方式完全复用model.predict的优化逻辑，无需额外处理标签，仅需根据标签形状定义输入层。

内容的提问来源于stack exchange，提问作者Daniel