如何使用TensorFlow Gradient Tape对新数据集进行预测？

问题核心 #

熟悉model.fit()的训练流程，但不理解Gradient Tape场景下的预测逻辑，误将模型前向传播输出的张量当作模型实例调用.predict()方法，触发错误：

'tensorflow.python.framework.ops.EagerTensor' object has no attribute 'predict'

目标是完成测试集预测后，对比预测值与真实值计算准确率。

错误原因 #

network_output = trained_network(input_images,input_number)得到的是模型前向传播后的输出张量，而非模型本身。只有Keras模型实例才有.predict()方法，不能用张量调用该方法。

正确实现步骤 #

1. 测试集预测 #

Gradient Tape仅用于训练阶段记录梯度，预测时直接用训练好的trained_network（模型实例）对测试数据做前向传播即可：

# 对测试数据执行前向传播，得到输出张量
test_network_output = trained_network(test_images, test_number)
# 将张量转为numpy数组后，用argmax获取预测类别索引
predicted_number = np.argmax(test_network_output.numpy(), axis=1)

2. 准确率计算优化 #

避免低效循环，用numpy向量化操作更简洁高效：

# 注意：如果test_number是one-hot编码，先转成类别索引；若本身就是索引则跳过此步
true_labels = np.argmax(test_number, axis=1)

# 统计匹配数量并计算准确率
correct_count = np.sum(predicted_number == true_labels)
accuracy = (correct_count / len(test_images)) * 100
print(f"Accuracy: {accuracy:.2f}%")

完整示例代码 #

# 训练完成后执行预测
test_output = trained_network(test_images, test_number)
preds = np.argmax(test_output.numpy(), axis=1)

# 处理真实标签（根据数据格式调整）
true_labels = np.argmax(test_number, axis=1) if test_number.ndim > 1 else test_number

# 计算并打印准确率
correct = np.sum(preds == true_labels)
acc = (correct / len(test_images)) * 100
print(f"测试集准确率: {acc:.2f}%")

内容的提问来源于stack exchange，提问作者Relative0