pytorch 实现在测试的时候启用dropout

我们知道，dropout一般都在训练的时候使用，那么测试的时候如何也开启dropout呢？

在pytorch中，网络有train和eval两种模式，在train模式下，dropout和batch normalization会生效，而val模式下，dropout不生效，bn固定参数。

想要在测试的时候使用dropout，可以把dropout单独设为train模式，这里可以使用apply函数：

def apply_dropout(m):
   if type(m) == nn.Dropout:
       m.train()

下面是完整demo代码：

# coding: utf-8
import torch
import torch.nn as nn
import numpy as np
class SimpleNet(nn.Module):
   def __init__(self):
       super(SimpleNet, self).__init__()
       self.fc = nn.Linear(8, 8)
       self.dropout = nn.Dropout(0.5)
   def forward(self, x):
       x = self.fc(x)
       x = self.dropout(x)
       return x
net = SimpleNet()
x = torch.FloatTensor([1]*8)
net.train()
y = net(x)
print('train mode result: ', y)
net.eval()
y = net(x)
print('eval mode result: ', y)
net.eval()
y = net(x)
print('eval2 mode result: ', y)
def apply_dropout(m):
   if type(m) == nn.Dropout:
       m.train()
net.eval()
net.apply(apply_dropout)
y = net(x)
print('apply eval result:', y)

运行结果：

可以看到，在eval模式下，由于dropout未生效，每次跑的结果不同，利用apply函数，将Dropout单独设为train模式，dropout就生效了。

补充：Pytorch之dropout避免过拟合测试

一.做数据

二.搭建神经网络

三.训练

四.对比测试结果

注意：测试过程中，一定要注意模式切换

来源：https://blog.csdn.net/qian99/article/details/89052262