pytorch中的model.eval()和BN层的使用

看代码吧~

class ConvNet(nn.module):
def __init__(self, num_class=10):
super(ConvNet, self).__init__()
self.layer1 = nn.Sequential(nn.Conv2d(1, 16, kernel_size=5, stride=1, padding=2),
nn.BatchNorm2d(16),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2, stride=2))
self.layer2 = nn.Sequential(nn.Conv2d(16, 32, kernel_size=5, stride=1, padding=2),
nn.BatchNorm2d(32),
nn.ReLU(),
nn.MaxPool2d(kernel_size=2, stride=2))
self.fc = nn.Linear(7*7*32, num_classes)

def forward(self, x):
out = self.layer1(x)
out = self.layer2(out)
print(out.size())
out = out.reshape(out.size(0), -1)
out = self.fc(out)
return out

# Test the model
model.eval()  # eval mode (batchnorm uses moving mean/variance instead of mini-batch mean/variance)
with torch.no_grad():
correct = 0
total = 0
for images, labels in test_loader:
images = images.to(device)
labels = labels.to(device)
outputs = model(images)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()

如果网络模型model中含有BN层，则在预测时应当将模式切换为评估模式，即model.eval()。

评估模拟下BN层的均值和方差应该是整个训练集的均值和方差，即 moving mean/variance。

训练模式下BN层的均值和方差为mini-batch的均值和方差，因此应当特别注意。

补充：Pytorch 模型训练模式和eval模型下差别巨大（Pytorch train and eval）附解决方案

当pytorch模型写明是eval()时有时表现的结果相对于train(True)差别非常巨大，这种差别经过逐层查看，主要来源于使用了BN，在eval下，使用的BN是一个固定的running rate，而在train下这个running rate会根据输入发生改变。

解决方案是冻住bn

def freeze_bn(m):
if isinstance(m, nn.BatchNorm2d):
m.eval()
model.apply(freeze_bn)

这样可以获得稳定输出的结果。

以上为个人经验，希望能给大家一个参考

• 聊聊pytorch测试的时候为何要加上model.eval()
• 解决Pytorch中的神坑:关于model.eval的问题
• Pytorch BertModel的使用说明
• PyTorch中model.zero_grad()和optimizer.zero_grad()用法
• pytorch掉坑记录:model.eval的作用说明
• pytorch:model.train和model.eval用法及区别详解
• pytorch 修改预训练model实例
• pytorch查看torch.Tensor和model是否在CUDA上的实例
• pytorch中的model=model.to(device)使用说明