带有tensorflow后端的Keras使用底层tensorflow对象，但主要是提供可以在tensorflow环境之外理解的高级输出（例如，它可以输出numpy数组或python列表）。
今天给出一个TensorFlow2.0中的模型（使用Keras库构建）

out_np = model.predict(x)

字符串
提供了一个numpy数组，例如，可以用print(out_np)打印。
另一方面，在一项研究中，

out_tf = model(x)

型
结果转换为一个tensorflow对象，可以将其转换为一个numpy数组.numpy()
这两个结果是等价的，作为一个例子，我们有以下是真的，

out_np.max() == out_tf.numpy().max()

型
格式可能不同，但model(x)和model.predict(x)的含义是相同的：
给定输入x，它是由其结构、权重和偏置表征的网络的输出节点的值。

它们并不完全是一回事。Chollet's Deep Learning with Python：
这意味着predict()调用可以扩展到非常大的数组。同时，model(x)发生在内存中，并且不会扩展。另一方面，predict()是不可微的：如果在GradientTape作用域中调用它，则无法检索它的渐变。当需要检索模型调用的梯度时，应该使用model(x)，如果只需要输出值，应该使用predict()。换句话说，总是使用predict()，除非你正在编写一个低级的梯度下降循环（就像我们现在一样）。