考虑到您提到的问题，最好覆盖predict以满足您的需要。但您实际上并不需要覆盖该函数，只需覆盖该函数调用的predict_step即可。只需使用此类而不是Model：

class MyModel(tf.keras.Model):
    def predict_step(self, data):
        x, y = data
        return self(x, training=False), y

如果您的模型当前是Sequential，则从它继承。基本上，我对默认实现所做的唯一更改是将, y添加到模型调用结果中。请注意，这也做了一些假设，例如您的数据集由(input, label)批处理对组成。您可能需要稍微调整它以满足您的需要。下面是一个最小的示例：

import tensorflow as tf
import numpy as np

(imgs, lbls), (te_imgs, te_lbls) = tf.keras.datasets.mnist.load_data()

imgs = imgs.astype(np.float32).reshape((-1, 784)) / 255.
te_imgs = te_imgs.astype(np.float32).reshape((-1, 784)) / 255.

lbls = lbls.astype(np.int32)
te_lbls = te_lbls.astype(np.int32)

tr_data = tf.data.Dataset.from_tensor_slices((imgs, lbls)).shuffle(60000).batch(128)
te_data = tf.data.Dataset.from_tensor_slices((te_imgs, te_lbls)).batch(128)

class MyModel(tf.keras.Model):
    def predict_step(self, data):
        x, y = data
        return self(x, training=False), y

inp = tf.keras.Input((784,))

logits = tf.keras.layers.Dense(10)(inp)

model = MyModel(inp, logits)

opt = tf.keras.optimizers.Adam()
loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)

model.compile(loss=loss, optimizer=opt)

something = model.predict(te_data)

print(something[0].shape, something[1].shape)

这显示((10000, 10), (10000,))--predict现在返回outputs, labels的元组（这可以通过检查返回的标签并与测试集中的图像进行比较来确认）。