再加上@Dmitry Kabanov，它们是相似的，但它们并不完全相同。如果您关心性能，则需要查看它们之间的关键差异。
| model（x）| model(x) |
| --| ------------ |
| 发生在内存中，无法扩展| happens in-memory and doesn't scale |
| 可微的| differentiable |
| 在需要检索渐变时使用此选项| use this when you need to retrieve the gradients |
| 输出是Tensor| Output is a Tensor |
| 将此用于小型数据集| use this for small dataset |
| 对于小数据来说相对更快| relatively faster for small data |
请在Keras常见问题解答中查看更详细的说明

只是为了补充答案，因为我也在寻找这个。当你需要为推理阶段指定模型的训练标志时，例如，当你有一个批处理规范化层时，predict和predict_on_batch在执行时已经这样做了。
因此，model(X_new, training=False)和model.predict_on_batch(X_new)是等价的。
predict和predict_on_batch之间的区别在于，后者在单个批次上运行，而前者在拆分成批次的数据集上运行，并将结果合并以产生最终的numpy预测数组。
除了@Dmitry Kabanov提到的差异之外，这些函数生成不同类型的输出，__call__生成Tensor，predict和predict_on_batch生成numpy.ndarray，根据文档，__call__比predict函数更快，适用于小规模输入，即适合一个批次。

更新2021-12-18.请看下面@TFer2的回答，以获得更好更全面的答案。

• 我自己的旧答案只会发现数据类型的差异（tf.Tensor vs np.ndarray）*

我的错，我的代码出错了。
事实证明，这三种方法之间没有本质区别。
唯一的区别是call只接受Tensor，而其他两个方法也接受NumPy数组。
下面是一个玩具代码，显示三个方法是相同的：

import numpy as np
import tensorflow as tf

model = tf.keras.Sequential(
    [
        tf.keras.layers.InputLayer(input_shape=(2, )),
        tf.keras.layers.Dense(2),
    ]
)
model.compile(loss='mse')

W = model.trainable_variables[0]
W.assign(np.array([[1.0, 0.0], [0.0, 1.0]]).T)

input = np.array([[1.0, 2.0], [3.0, 4.0], ], dtype=np.float32)

print("__call__:")
print(model(input))

print("Call:")
print(model.call(tf.convert_to_tensor(input)))

print("Predict:")
print(model.predict(input))

字符串

我认为当你使用其中一个特定的层时会有区别：DropOut()和BatchNormalization()中的至少一个。实际上，这些层无论在训练模式还是测试/评估模式中使用，其作用都不同。
call()和predict()之间的区别在于call()在训练模式下给出预测，而predict()在测试模式下给出预测。这两者之间的区别在于，每次使用call()和predict()时，预测结果都不会相同。训练和测试模式类似于Pytorch库的训练和测试模式。

我对keras_cv RetinaNet模型也有同样的疑问。从我所看到的，有更多的差异之间调用和预测这个模型。

call（）返回两个Tensor：

{'box': <tf.Tensor: shape=(1, 9441, 4), dtype=float32, numpy= array([ ... ], dtype=float32)>, 'classification': <tf.Tensor: shape=(1, 9441, 2), dtype=float32, numpy= array([...], dtype=float32)>}

字符串
predict（）执行非max-suppression和其他一些pos-processing，并返回4个numpy数组：

{'boxes': array([[[ 37.201706,  81.78369 ,  62.617325, 136.692   ], ... ]], dtype=float32),
 'confidence': array([ [ 0.9999949   ...  ]], dtype=float32),
 'classes': array([[ 0, ... ]]),
 'num_detections': array([1], dtype=int32)
 }

型