Pytorch中關(guān)于model.eval()的作用及分析

更新時(shí)間：2023年02月03日 15:41:00 作者：Codefmeister

這篇文章主要介紹了Pytorch中關(guān)于model.eval()的作用及分析，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教

model.eval()的作用及分析

model.eval() 作用等同于 self.train(False)

簡(jiǎn)而言之，就是評(píng)估模式。而非訓(xùn)練模式。

在評(píng)估模式下，batchNorm層，dropout層等用于優(yōu)化訓(xùn)練而添加的網(wǎng)絡(luò)層會(huì)被關(guān)閉，從而使得評(píng)估時(shí)不會(huì)發(fā)生偏移。

結(jié)論

在對(duì)模型進(jìn)行評(píng)估時(shí)，應(yīng)該配合使用with torch.no_grad() 與 model.eval()：

? ? loop:
? ? ? ? model.train() ? ?# 切換至訓(xùn)練模式
? ? ? ? train……
? ? ? ? model.eval()
? ? ? ? with torch.no_grad():
? ? ? ? ? ? Evaluation
? ? end loop

Pytorch踩坑之model.eval()問題

最近在寫代碼時(shí)遇到一個(gè)問題，原本訓(xùn)練好的模型，加載進(jìn)來進(jìn)行inference準(zhǔn)確率直接掉了5個(gè)點(diǎn)，這簡(jiǎn)直不能忍啊～下意識(shí)地感知到我肯定又在哪里寫了bug了～～～于是開始到處排查，從model load到data load，最終在一個(gè)被我封裝好的module的犄角旮旯里找到了問題，于是順便就在這里總結(jié)一下，避免以后再犯。

對(duì)于訓(xùn)練好的模型加載進(jìn)來準(zhǔn)確率和原先的不符，

比較常見的有兩方面的原因

data
model.state_dict()

1） data

數(shù)據(jù)方面，檢查前后兩次加載的data有沒有發(fā)生變化。首先檢查 transforms.Normalize 使用的均值和方差是否和訓(xùn)練時(shí)相同；另外檢查在這個(gè)過程中數(shù)據(jù)是否經(jīng)過了存儲(chǔ)形式的改變，這有可能會(huì)帶來數(shù)據(jù)精度的變化導(dǎo)致一定的信息丟失。比如我過用的其中一個(gè)數(shù)據(jù)集，原先將圖片存儲(chǔ)成向量形式，但其對(duì)應(yīng)的是“png”格式的數(shù)據(jù)（后來在原始文件中發(fā)現(xiàn)了相應(yīng)的描述。），而我進(jìn)行了一次data-to-img操作，將向量轉(zhuǎn)換成了“jpg”形式，這時(shí)加載進(jìn)來便造成了掉點(diǎn)。

2）model.state_dict()

第一方面造成的掉點(diǎn)一般不會(huì)太嚴(yán)重，第二方面造成的掉點(diǎn)就比較嚴(yán)重了，一旦模型的參數(shù)加載錯(cuò)了，那就誤差大了。

如果是參數(shù)沒有正確加載進(jìn)來則比較容易發(fā)現(xiàn)，這時(shí)準(zhǔn)確率非常低，幾乎等于瞎猜。

而我這次遇到的情況是，準(zhǔn)確率并不是特別低，只掉了幾個(gè)點(diǎn)，檢查了多次，均顯示模型參數(shù)已經(jīng)成功加載了。后來仔細(xì)查看后發(fā)現(xiàn)在其中一次調(diào)用模型進(jìn)行inference時(shí)，忘了寫 ‘model.eval()’，造成了模型的參數(shù)發(fā)生變化，再次調(diào)用則出現(xiàn)了掉點(diǎn)。于是又回顧了一下model.eval()和model.train()的具體作用。如下：

model.train() 和 model.eval() 一般在模型訓(xùn)練和評(píng)價(jià)的時(shí)候會(huì)加上這兩句，主要是針對(duì)由于model 在訓(xùn)練時(shí)和評(píng)價(jià)時(shí) Batch Normalization 和 Dropout 方法模式不同：

a) model.eval()，不啟用 BatchNormalization 和 Dropout。此時(shí)pytorch會(huì)自動(dòng)把BN和DropOut固定住，不會(huì)取平均，而是用訓(xùn)練好的值。不然的話，一旦test的batch_size過小，很容易就會(huì)因BN層導(dǎo)致模型performance損失較大；
b) model.train() ：?jiǎn)⒂?BatchNormalization 和 Dropout。在模型測(cè)試階段使用model.train() 讓model變成訓(xùn)練模式，此時(shí) dropout和batch normalization的操作在訓(xùn)練q起到防止網(wǎng)絡(luò)過擬合的問題。

因此，在使用PyTorch進(jìn)行訓(xùn)練和測(cè)試時(shí)一定要記得把實(shí)例化的model指定train/eval。

model.eval() vs torch.no_grad()

雖然二者都是eval的時(shí)候使用，但其作用并不相同：

model.eval() 負(fù)責(zé)改變batchnorm、dropout的工作方式，如在eval()模式下，dropout是不工作的。

見下方代碼：

? import torch
? import torch.nn as nn
?
? drop = nn.Dropout()
? x = torch.ones(10)
??
? # Train mode ??
? drop.train()
? print(drop(x)) # tensor([2., 2., 0., 2., 2., 2., 2., 0., 0., 2.]) ??
??
? # Eval mode ??
? drop.eval()
? print(drop(x)) # tensor([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])

torch.no_grad() 負(fù)責(zé)關(guān)掉梯度計(jì)算，節(jié)省eval的時(shí)間。

只進(jìn)行inference時(shí)，model.eval()是必須使用的，否則會(huì)影響結(jié)果準(zhǔn)確性。而torch.no_grad()并不是強(qiáng)制的，只影響運(yùn)行效率。