- model.train()
在train模式下,dropout网络层会按照设定的参数p,设置保留激活单元的概率(保留概率=p
),并且batch norm层会继续计算数据的mean和var等参数并更新,总结如下:
- model.eval()——正常推理
在PyTorch中进行validation时,会使用model.eval()切换到测试或者称为验证模式下。model.eval()仅作用于dropout层和batchnorm层,让其与训练状态不同,相当于 dropout的参数为0
,batchnorm也 不再更新和计算
mean和var值,而是使用训练阶段学习到的mean和var。
model.eval()不会影响各层的gradient计算行为,即gradient计算和存储与training模式一样,只是不进行反向传播。
。
- with torch.no_grad()——没有梯度计算
而 with torch.no_grad()的作用是 停止对梯度的计算和存储
,从而减少对内存的消耗,不会进行反向传播
。
with torch.no_grad()并不会影响dropout和batchnorm层的行为
。
总结如下:如果不在意显存大小和计算时间的话,仅使用model.eval()已足够得到正确的validation的结果;而with torch.zero_grad()则是更进一步加速和节省gpu空间(因为不用计算和存储gradient),从而可以更快计算,也可以跑更大的batch来测试
。