Pytorch-关于简单问题的批量规范化

我实现了一个具有批量规范化的模型：

class FFNet(torch.nn.Module):
    def __init__(self, D_in, H_1, H_2, D_out):

        super(FFNet, self).__init__()
        self.linear1 = torch.nn.Linear(D_in, H_1)
        self.linear2 = torch.nn.Linear(H_1, H_2)
        self.bn2 = torch.nn.BatchNorm1d(H_2)
        self.linear4 = torch.nn.Linear(H_2, D_out)

    def forward(self, x):

        h_relu_1=F.relu(self.linear1(x))
        h_relu_2=F.relu(self.bn2(self.linear2(h_relu_1)))
        y_pred=self.linear4(h_relu_2)
        return y_pred

此外，我还编写了培训循环：

for epoch in range(epoches):

    running_loss = 0.0
    cnt = 0
    for i, data in enumerate(train_data, 0):
        local_X, local_y = data
        y_pred = model.forward(local_X)
        loss = criterion(y_pred, local_y)
        optimizer.zero_grad()
        #loss = criterion(y_pred, Y_local_output)
        loss.backward() # back props
        optimizer.step()
        running_loss = running_loss + loss.item()
        cnt+=1


    Validation_loss = 0.0
    cnt2 = 0
    # Validation
    for i, data in enumerate(validation_data, 0):
        Val_X, Val_Y = data

        y_pred = model.forward(Val_X)

        loss=criterion(y_pred, Val_Y)
        Validation_loss = Validation_loss + loss.item()
        cnt2+=1

我有两个问题： 1.在这段代码中是否不需要使用model.train（）？ 2.如何使用

eval

评估此模型？我有一个数据样本，其大小为（1xD_英寸），批量大小大于1。当我使用以下代码时，出现了一个错误：

    test_single = torch.tensor([aa, ab, ac, ad, ae, af, ag])
    test_single = test_single.unsqueeze(0)

    model.eval()
    [bb,cc] = model.forward(test_single)

---

错误是“没有足够的值来解包（预期为2，得到1）”

如果有批标准化，则在分别进行培训和评估时确实需要使用model.train（）和model.eval（）

第二部分（不奇怪的代码）没有错。但是，您的模型只有一个输出（请参阅模型的forward函数的return语句），这会导致错误，即您试图解包2个值，而只有一个值。所以，你不能这么做

[bb,cc] = model.forward(test_single)

你必须这样做

out = model.forward(test_single)

---

我试过这个，效果很好。

谢谢你的好意。你的意思是我必须在代码中添加句子model.train（）和model.eval（）？我想知道我应该在培训和验证时添加这些句子。此外，该模型有两个输出。但是，这种错误是存在的……是的，在启动for循环进行训练之前，必须添加

model.train（）

。验证和

model.eval（）相同。对于问题中显示的模型，forward函数只返回一个值。因此，当您调用forward函数（使用
model（input）
）时，您不能期望它返回两个输出。