Keras test_on_batch不同传参方式损失结果差异原因解析

两种传参写法得到的损失存在明显偏差，本质是参与损失计算的真值标签来源完全不同，不存在计算精度类的误差问题：

• 仅传入特征的写法：model.test_on_batch(data.reshape(1, -1))
  Keras检测到你未传入标签参数时，不会暂停流程索要真值，而是直接读取模型当前运行上下文里历史留存的标签缓存参与计算。这类缓存一般来自之前调用fit、evaluate、批量test_on_batch操作时传入过的标签数据，和你当前单独输入的这条新特征样本没有绑定关系——哪怕最终能算出有效数值，用的也是缓存里的旧标签、不是你要测算的对应真实target，损失结果自然和预期偏差极大。
• 特征+标签的双参写法：model.test_on_batch(data.reshape(1, -1), np.array([target]))
  这个写法会完全跳过模型的标签缓存逻辑，强制以你传入的target作为该样本的真值，走标准计算流程：将输入特征送入模型得到预测值，再用预测值和给定的target计算MSE损失，这才是单样本测试的正确计算路径。

实操注意：如果需要计算单样本的真实损失值，必须显式传入对应标签，不要依赖模型的标签缓存——缓存的留存逻辑完全不受当前单样本测试流程控制，随时可能因为会话状态变化出现旧值残留、样本-标签错配的问题。

内容的提问来源于stack exchange，提问作者rozi