此會觀察模型做預測或決定時大致上運作過程，它會怎麼進行。
模型訓練好後，可以執行模型實體的 predict 函式來進行判斷訊號。

from tensorflow.keras.models import Sequential
from tensorflow.keras.datasets import mnist

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
train_images = train_images.reshape((60000, 28 * 28))
train_images = train_images.astype("float32") / 255
test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype("float32") / 255

from tensorflow.keras import layers 
from tensorflow.keras.models import Model

model = Sequential([
   layers.Dense(512, activation="relu"),
   layers.Dense(10, activation="softmax")
])

model.compile(optimizer="rmsprop",
      loss="sparse_categorical_crossentropy",
      metrics=["accuracy"])

model.fit(train_images, train_labels, epochs=5, batch_size=128)

test_digits = test_images[0:10]
predictions = model.predict(test_digits)
print(predictions[0])

(1)
依此範例，首先會到 keras.engine.training.Model.predict 函式主體，會將傳遞的參數與訊號傳入keras.engine.data_adapter.DataHandler建構子中做設定，在做模型訓練時也是會將訓練函式的參數包成data_adapter.DataHandler 實體，這意味著模型執行預測也可以批次設定來執行(如fit時建立的data_adapter.DataHandler 實體可傳入epoch、batch_size)。

(2)
而參數也可以設定callback物件，如果傳入的 callbacks 參數list不是繼承 keras.callbacks.CallbackList 類別的實體 list，則會進行將callbacks 參數融入keras.callbacks.CallbackList 類別的動作，此類別也是 callback的Container。融入的過程中，也和訓練時一樣，最後keras.callbacks.CallbackList 實體一定會包含keras.callbacks.ProgbarLogger類別實體，與keras.callbacks.History類別實體。

(3)
接著叫用keras.engine.training.Model.make_predict_function函式，決定好每個predict step所要使用的predict_function。這邊利用類似closure的方式將函式預先保存至記憶體，在跑批次時將會使用到此塊記憶體。

(4)
執行的架構如下:

callbacks.on_predict_begin()
for _, iterator in data_handler.enumerate_epochs():  #epoch固定為1
    for step in data_handler.steps():
    callbacks.on_predict_batch_begin(step)

    tmp_batch_outputs = self.predict_function(iterator)

    callbacks.on_predict_batch_end(
    end_step, {"outputs": batch_outputs}
    )
callbacks.on_predict_end()

(5)
迴圈中主要執行的predict函式會找到 keras.engine.training.Model.predict_step:

會直接到keras.engine.data_adapter.unpack_x_y_sample_weight，將傳入的資料依照list或其它型別集合轉成tuple回傳。

隨後執行keras.engine.training.Model.call、keras.engine.base_layer.call，經過一些參數轉換與檢察、模型還沒build則補跑build的動作後，會再到keras.engine.sequential.call 執行模型call函式。

模型call函式一開始執行keras.engine.sequential._build_graph_network_for_inferred_shape，把input的張量維度設定好，接續至 keras.engine.functional._run_internal_graph 找出每個模型所建好的Layer node，依序執行 Layer.call。依本例為依序執行二層keras.layers.core.dense.call，主要做輸入input與本身Layer.kernel 的內積並回傳，供應用程式主體使用。(每層計算完會存到 keras.engine.sequential.outputs)

以上是模型做predict大致上的行為，紀錄於此。