在知乎看到一篇文章,https://zhuanlan.zhihu.com/p/357075502,里边提到model.eval模式不会影响各层的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(back probagation)。
这个地方的不进行反向传播让我感觉有点迷惑,是不使用loss.backward()呢,还是说用了loss.backward()也不起作用呢?
虽然我感觉应该是第一种结论(不使用loss.backward()),但还是做了一个例子验证了一下。
如下例所示:
无论是否添加model.eval(),使用了loss.backward()之后,仍然会更新参数权重。
'''
model.eval()是否会影响参数更新
例子:用神经网络拟合一个二元函数
'''
import torch
import torch.nn as nn
import torch.optim as optim
import math
import random
import numpy as np
import torch.nn.functional as F
# 设置随机种子
def setup_seed(seed):
torch.manual_seed(seed) #为cpu分配随机种子
if torch.cuda.is_available():
torch.cuda.manual_seed(seed) #为gpu分配随机种子
torch.cuda.manual_seed_all(seed) #若使用多块gpu,使用该命令设置随机种子
random.seed(seed)
np.random.seed(seed)
torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmard = False
setup_seed(666)
class model(nn.Module):
def __init__(self, n_feature, n_hidden):
super(model, self).__init__()
self.hidden = nn.Linear(n_feature, n_hidden) # 隐藏层
self.predict = nn.Linear(n_hidden, n_feature) # 输出层
def forward(self, x, target):
y = F.relu(self.hidden(x)) # 隐藏层用 relu
y = self.predict(y)
loss = MSE(y, target)
# print(target)
return loss
# Training loop
x_data = torch.linspace(-1, 1, 100)
x = torch.unsqueeze(x_data, dim=-1)
target = x.pow(2) + 0.2*torch.rand(x.size())
model = model(n_feature=1, n_hidden=10)
optimizer = optim.SGD(model.parameters(), lr=0.5, momentum=0.9)
# named_parameters = list(model.named_parameters())
# cur = optimizer.param_groups[0]['params'] # 0-代表在list中取出相关数据,params代表取出model的参数
MSE = nn.MSELoss()
# model.eval() # 添加与否不影响梯度的更新
for epoch in range(10):
loss = model(x, target)
print(loss)
optimizer.zero_grad()
loss.backward()
res = [x.grad for x in optimizer.param_groups[0]['params']]
print(res)
print("-----------------------")
optimizer.step()