🍉 CSDN 叶庭云：https://yetingyun.blog.csdn.net/
训练模式 VS 评估模式 。首先，我们需要明确 PyTorch 中的模型存在两种重要模式：训练模式（training mode）与评估模式（evaluation mode）。通过调用 model.eval() 方法，我们可以轻松地将模型切换到评估模式。
model.eval() 的作用在于，当它被调用时，会向模型中的所有层传达一个信号，即当前是评估模式而非训练模式 。这一看似简单的操作，实则对特定类型的层具有重要影响 。影响的具体层，主要受影响的层包括：Dropout 层、BatchNorm 层。接下来，我们将深入探讨这两种层在评估模式下的具体变化。
Dropout 层的行为变化：
- 训练模式：随机地 "丢弃" 一定比例的神经元，以此防止模型过拟合。
- 评估模式：则保留所有神经元，不进行任何丢弃操作。
为何采取此举？训练过程中，Dropout 通过随机丢弃神经元来有效预防过拟合现象。然而，在评估阶段，为了充分利用模型的全部潜力，我们会保留所有神经元。
BatchNorm 层的行为变化：
- 训练模式：该模式下，BatchNorm 层会计算每个 mini-batch 的均值和方差，并利用这些统计数据对当前 batch 的数据进行归一化处理。
- 评估模式：与训练模式不同，评估模式使用的是在整个训练过程中累积的全局均值和方差，而非当前 batch 的即时统计数据，以确保模型评估的一致性和稳定性。
为什么要这样做？在训练过程中，我们利用每个 batch 的统计数据进行规范化，以促进模型的学习。然而，在评估阶段，为确保模型输出的稳定性，避免其受单个 batch 的波动影响，我们转而采用全局统计数据。
确保一致性 。在评估模式下，多次运行相同的输入会稳定地产生相同的输出。然而，在训练模式下，这一点无法得到保证，因为如 Dropout 等层会引入随机性元素。提高推理性能时，model.eval() 方法能够禁用一些仅在训练阶段必要的计算步骤，进而加快推理速度。
实际操作示例：
python
# 训练阶段
model.train()
# ... 训练代码 ...
# 评估阶段
model.eval()
with torch.no_grad():
# ... 评估代码 ...注意事项：虽然 model.eval() 方法非常重要，但它并非对所有类型的层都产生影响。具体而言，它不会改变卷积层或全连接层的行为。
为何如此重要？若评估时不切换至 eval 模式，将引发以下问题：
- Dropout 可能会错误地 "丢弃" 关键特征。
- BatchNorm 可能因采用不稳定的批次统计数据而导致结果波动。
- 模型在评估时的表现将与训练阶段大相径庭，进而损害性能评估的准确性。
总结： model.eval() 是 PyTorch 中一个关键且重要的操作，它确保了模型在评估阶段的行为与训练阶段保持一致，从而提升了推理的稳定性和可靠性。作为最佳实践，我们应当在每次评估之前调用 model.eval()，以确保获得最准确且一致的结果。