在學(xué)習(xí)機(jī)器學(xué)習(xí)的時(shí)候很多小伙伴都會(huì)了解到模型的訓(xùn)練和測試，也會(huì)了解到兩個(gè)關(guān)于模型訓(xùn)練和測試會(huì)涉及到的函數(shù)——train和eval，那么model.train和model.eval有什么區(qū)別呢？接下來小編就帶你來好好了解一下。
在訓(xùn)練模型時(shí)會(huì)在前面加上：
model.train()在測試模型時(shí)在前面使用：
model.eval()同時(shí)發(fā)現(xiàn)，如果不寫這兩個(gè)程序也可以運(yùn)行，這是因?yàn)檫@兩個(gè)方法是針對(duì)在網(wǎng)絡(luò)訓(xùn)練和測試時(shí)采用不同方式的情況，比如Batch Normalization 和 Dropout。
訓(xùn)練時(shí)是正對(duì)每個(gè)min-batch的，但是在測試中往往是針對(duì)單張圖片，即不存在min-batch的概念。
由于網(wǎng)絡(luò)訓(xùn)練完畢后參數(shù)都是固定的，因此每個(gè)批次的均值和方差都是不變的，因此直接結(jié)算所有batch的均值和方差。
所有Batch Normalization的訓(xùn)練和測試時(shí)的操作不同
在訓(xùn)練中，每個(gè)隱層的神經(jīng)元先乘概率P，然后在進(jìn)行激活，在測試中，所有的神經(jīng)元先進(jìn)行激活，然后每個(gè)隱層神經(jīng)元的輸出乘P。
補(bǔ)充：Pytorch踩坑記錄——model.eval()
最近在寫代碼時(shí)遇到一個(gè)問題，原本訓(xùn)練好的模型，加載進(jìn)來進(jìn)行inference準(zhǔn)確率直接掉了5個(gè)點(diǎn)，尼瑪，這簡直不能忍啊～本菜雞下意識(shí)地感知到我肯定又在哪里寫了bug了～～～于是開始到處排查，從model load到data load，最終在一個(gè)被我封裝好的module的犄角旮旯里找到了問題，于是順便就在這里總結(jié)一下，避免以后再犯。
對(duì)于訓(xùn)練好的模型加載進(jìn)來準(zhǔn)確率和原先的不符，比較常見的有兩方面的原因：
1）data
2）model.state_dict()
1） data
數(shù)據(jù)方面，檢查前后兩次加載的data有沒有發(fā)生變化。首先檢查 transforms.Normalize 使用的均值和方差是否和訓(xùn)練時(shí)相同；另外檢查在這個(gè)過程中數(shù)據(jù)是否經(jīng)過了存儲(chǔ)形式的改變，這有可能會(huì)帶來數(shù)據(jù)精度的變化導(dǎo)致一定的信息丟失。
比如我過用的其中一個(gè)數(shù)據(jù)集，原先將圖片存儲(chǔ)成向量形式，但其對(duì)應(yīng)的是“png”格式的數(shù)據(jù)（后來在原始文件中發(fā)現(xiàn)了相應(yīng)的描述。），而我進(jìn)行了一次data-to-img操作，將向量轉(zhuǎn)換成了“jpg”形式，這時(shí)加載進(jìn)來便造成了掉點(diǎn)。
2）model.state_dict()
第一方面造成的掉點(diǎn)一般不會(huì)太嚴(yán)重，第二方面造成的掉點(diǎn)就比較嚴(yán)重了，一旦模型的參數(shù)加載錯(cuò)了，那就誤差大了。
如果是參數(shù)沒有正確加載進(jìn)來則比較容易發(fā)現(xiàn)，這時(shí)準(zhǔn)確率非常低，幾乎等于瞎猜。
而我這次遇到的情況是，準(zhǔn)確率并不是特別低，只掉了幾個(gè)點(diǎn)，檢查了多次，均顯示模型參數(shù)已經(jīng)成功加載了。后來仔細(xì)查看后發(fā)現(xiàn)在其中一次調(diào)用模型進(jìn)行inference時(shí)，忘了寫 ‘model.eval()'，造成了模型的參數(shù)發(fā)生變化，再次調(diào)用則出現(xiàn)了掉點(diǎn)。
于是又回顧了一下model.eval()和model.train()的具體作用。如下：
model.train() 和 model.eval() 一般在模型訓(xùn)練和評(píng)價(jià)的時(shí)候會(huì)加上這兩句，主要是針對(duì)由于model 在訓(xùn)練時(shí)和評(píng)價(jià)時(shí) Batch
Normalization 和 Dropout 方法模式不同：
a) model.eval()，不啟用 BatchNormalization 和 Dropout。此時(shí)pytorch會(huì)自動(dòng)把BN和DropOut固定住，不會(huì)取平均，而是用訓(xùn)練好的值。不然的話，一旦test的batch_size過小，很容易就會(huì)因BN層導(dǎo)致模型performance損失較大；
b) model.train() ：啟用 BatchNormalization 和 Dropout。 在模型測試階段使用model.train() 讓model變成訓(xùn)練模式，此時(shí) dropout和batch normalization的操作在訓(xùn)練q起到防止網(wǎng)絡(luò)過擬合的問題。
因此，在使用PyTorch進(jìn)行訓(xùn)練和測試時(shí)一定要記得把實(shí)例化的model指定train/eval。
model.eval() vs torch.no_grad()雖然二者都是eval的時(shí)候使用，但其作用并不相同:
model.eval() 負(fù)責(zé)改變batchnorm、dropout的工作方式，如在eval()模式下，dropout是不工作的。 見下方代碼：
import torch
import torch.nn as nn
drop = nn.Dropout()
x = torch.ones(10)
# Train mode
drop.train()
print(drop(x)) # tensor([2., 2., 0., 2., 2., 2., 2., 0., 0., 2.])
# Eval mode
drop.eval()
print(drop(x)) # tensor([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])torch.no_grad() 負(fù)責(zé)關(guān)掉梯度計(jì)算，節(jié)省eval的時(shí)間。
只進(jìn)行inference時(shí)，model.eval()是必須使用的，否則會(huì)影響結(jié)果準(zhǔn)確性。 而torch.no_grad()并不是強(qiáng)制的，只影響運(yùn)行效率。
小結(jié)
以上就是model.train和model.eval有什么區(qū)別的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持W3Cschool。
