不知道有沒有小伙伴遇到過這樣的情況：有時(shí)候使用Pytorch訓(xùn)練完模型，在測(cè)試數(shù)據(jù)上面得到的結(jié)果并不盡如人意。到底是什么原因?qū)е聀ytorch訓(xùn)練結(jié)果不準(zhǔn)確的呢？閱讀這篇文章，你或許會(huì)找到答案。
當(dāng)我們遇到訓(xùn)練結(jié)果不準(zhǔn)確的情況的時(shí)候，可能需要檢查一下定義的Model類中有沒有 BN 或 Dropout 層，如果有任何一個(gè)存在
那么在測(cè)試之前需要加入一行代碼：
#model是實(shí)例化的模型對(duì)象
model = model.eval()表示將模型轉(zhuǎn)變?yōu)閑valuation（測(cè)試）模式，這樣就可以排除BN和Dropout對(duì)測(cè)試的干擾。
因?yàn)锽N和Dropout在訓(xùn)練和測(cè)試時(shí)是不同的：
對(duì)于BN，訓(xùn)練時(shí)通常采用mini-batch，所以每一批中的mean和std大致是相同的；而測(cè)試階段往往是單個(gè)圖像的輸入，不存在mini-batch的概念。所以將model改為eval模式后，BN的參數(shù)固定，并采用之前訓(xùn)練好的全局的mean和std；
對(duì)于Dropout，訓(xùn)練階段，隱含層神經(jīng)元先乘概率P，再進(jìn)行激活；而測(cè)試階段，神經(jīng)元先激活，每個(gè)隱含層神經(jīng)元的輸出再乘概率P。
如下圖所示：
補(bǔ)充：pytorch中model.eval之后是否還需要model.train的問題
答案是：需要的
正確的寫法是
for循環(huán)之后再開啟train，
循環(huán)之后的評(píng)估m(xù)odel.eval之后就會(huì)再次回到model.train。
小結(jié)
以上就是pytorch訓(xùn)練結(jié)果不準(zhǔn)確的可能的解決方案了，希望能給大家一個(gè)參考，也希望大家多多支持W3Cschool。
