如何无需重复编译使用多种损失函数评估预训练TensorFlow Keras模型

不需要每次更换损失函数时重新编译模型即可完成评估。模型训练完成后权重已经固定，编译阶段配置的损失函数仅用于训练时的梯度计算，评估阶段仅需要前向传播得到预测结果，完全可以脱离编译配置独立计算损失。
最简方案仅需两步：先获取模型在测试集上的预测结果，再直接调用对应损失函数传入真实标签、预测结果计算即可。

import tensorflow as tf
from tensorflow.keras.losses import mean_absolute_error, mean_squared_error

# 替换为你的预训练模型、测试集特征、测试集标签
model = tf.keras.models.load_model("your_pretrained_model.h5")
x_test = 你的测试集特征
y_test = 你的测试集真实标签

# 仅需执行1次预测，所有损失计算可复用该结果
y_pred = model.predict(x_test, verbose=0)

# 分别计算不同损失，无需修改模型配置
mae_loss = mean_absolute_error(y_test, y_pred).numpy().mean()
mse_loss = mean_squared_error(y_test, y_pred).numpy().mean()

print(f"MAE损失: {mae_loss:.4f}")
print(f"MSE损失: {mse_loss:.4f}")

• model.predict()仅需执行1次，所有损失计算都可复用同一份预测结果，运行效率远高于重新编译后多次调用model.evaluate()
• TensorFlow内置的所有损失类、损失函数都可以直接调用，自定义损失只要符合接收y_true、y_pred两个入参的规则，也可以用相同逻辑计算
• 如果你需要和原模型model.evaluate()的输出完全对齐，需要注意原模型编译时是否配置了样本加权、损失权重、正则项自动累加等逻辑，如有对应在自己的计算逻辑中添加即可
• 损失函数默认返回每个样本的单独损失值，调用.mean()即可得到全局平均损失，调用.numpy()可将Tensor格式转为普通数值格式

内容的提问来源于stack exchange，提问作者Amir Rasti