本文共 778 字，大约阅读时间需要 2 分钟。

model的eval方法主要是针对某些在train和predict两个阶段会有不同参数的层。比如Dropout层和BN层

torch为了方便大家，设计这个eval方法就是让我们可以不用手动去针对这些层做predict阶段的处理(也可以叫evaluation阶段,所以这个方法名才是eval)

这也就是说，如果模型中用了dropout或bn，那么predict时必须使用eval 否则结果是没有参考价值的，不存在选择的余地。

使用Pytorch训练模型，一定要注意一个细节

有时候明明训练很好，测试时候出问题？

这时候我们要找一下Model里是否有BN或者 Dropout层，如果存在了，那就要小心了！！！

测试之前加入下面这句话！！！！

# 注意为了排除BN和Dropout对测试影响model = model.eval()

BN解释看这段话：

对于BN，训练时通常采用mini-batch，所以每一批中的mean和std大致是相同的；而测试阶段往往是单个图像的输入，不存在mini-batch的概念。所以将model改为eval模式后，BN的参数固定，并采用之前训练好的全局的mean和std；

BN在train时每个batch做了不同的归一化因此也对应了不同的参数，相应predict时实际用的参数是每个batch下参数的移动平均。

啥意思？就是使用全局固定的BN

Dropout看这段话：

训练阶段，隐含层神经元先乘概率P，再进行激活；而测试阶段，神经元先激活，每个隐含层神经元的输出再乘概率P，其实就是Dropout在train时随机选择神经元而predict要使用全部神经元并且要乘一个补偿系数

啥意思？

顺序不同！

转载地址：https://mapengsen.blog.csdn.net/article/details/117879115 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！