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。

来源：https://www.cnblogs.com/jiangkejie/p/9983451.html