Deep learning Pyrotch加载中的Eval方法

我今天有一个奇怪的经历。我用Pytork训练了一个模型，然后用测试样本进行了测试。在这一步中，我得到了很好的结果（想象X）。然后保存模型并加载模型，以查看是否可以使用保存的模型获得相同的结果（X）。 不幸的是，加载模型后，结果更糟（不是X）。我测试了这些（请不要讨论它们）以解决问题：

• 我用不同的方法保存-->整个模型，参数字典
• 在训练和测试中进行同样的随机化
• 从CPU切换到GPU并返回
• 使用梯度零点等等

最后，我可以解决这个问题。问题是我应该在加载模型步骤中关闭评估。这意味着在加载部分，我不需要使用torch.eval（）。我知道eval（）会在培训和评估模式中对辍学者产生影响

我的问题是，当我的模型中没有辍学层时，为什么torch.eval（）反过来对我有效？ 我的模型中有BatchNormalization，我在PyTorch网站上找不到eval（）方法对BatchNorm和DropOut的影响

---

一般来说，我的问题是，在加载模型部分，我应该使用eval（）模式。然而，为什么在我的情况下，情况正好相反？

您在培训中没有打开

eval

进行评估，即在评估

X

时？我说的是测试，而不是评估。在使用测试样本进行测试时，我有两个结果。当我在训练后测试模型而不保存模型时。当我保存经过训练的模型并再次加载它时，会出现另一个错误。经过调查，我发现问题出在eval（）方法上。因此，在加载模型后，如果我根本不使用torch.eval（），那么在上述两种情况下，我将得到相同的结果。我的问题不是如何解决这个问题。问题是，我希望在加载后使用eval来更改评估模式中的模型。