12、神经网络入门：分类与回归

神经网络入门：分类与回归

1. 推理：训练后使用模型

训练好模型后，我们通常会用它对新数据进行预测，这个过程称为推理。一种简单的推理方法是直接调用模型：

predictions = model(new_inputs)

不过，这种方法会一次性处理 new_inputs 中的所有输入。如果数据量很大，这可能不可行，尤其是当所需内存超过GPU容量时。

更好的推理方法是使用 predict() 方法。它会小批量地迭代处理数据，并返回一个NumPy数组形式的预测结果。而且，与直接调用模型不同，它还能处理TensorFlow Dataset对象。

predictions = model.predict(new_inputs, batch_size=128)

例如，使用之前训练的线性模型对部分验证数据进行预测，会得到对应每个输入样本的标量分数：

predictions = model.predict(val_inputs, batch_size=128)
print(predictions[:10])

输出结果可能如下：

[[0.3590725 ]
 [0.82706255]
 [0.74428225]
 [0.682058  ]
 [0.7312616 ]
 [0.