1.
net.train()、net.eval():两者将网络中每一层的training分别设置为True和False
net.train():
如下图所示:
效果是将net的training设置为True
以及net里面的每一层网络的training也设置为True
2.
数据集的参数train设置为True和False:生成文件不同
torchvision.datasets.MNIST(root,train = True,transform = None,target_transform = None,download = False )
# 参数介绍:
#root(string) - 数据集的根目录在哪里MNIST/processed/training.pt 和 MNIST/processed/test.pt存在。
# train(bool,optional) - 如果为True,则创建数据集training.pt,否则创建数据集test.pt。
#download(bool,optional) - 如果为true,则从Internet下载数据集并将其放在根目录中。如果已下载数据集,则不会再次下载。
# transform(callable ,optional) - 一个函数/转换,它接收PIL图像并返回转换后的版本。例如,transforms.RandomCrop
# target_transform(callable ,optional) - 接收目标并对其进行转换的函数/转换。
3.
vgg = models.vgg16_bn(pretrained=True)
加载参数模型