有时候使用Pytorch训练完模型，在测试数据上面得到的结果令人大跌眼镜。

这个时候需要检查一下定义的Model类中有没有 BN 或 Dropout 层，如果有任何一个存在

那么在测试之前需要加入一行代码：

#model是实例化的模型对象
model = model.eval()

表示将模型转变为evaluation（测试）模式，这样就可以排除BN和Dropout对测试的干扰。

因为BN和Dropout在训练和测试时是不同的：

对于BN，训练时通常采用mini-batch，所以每一批中的mean和std大致是相同的；而测试阶段往往是单个图像的输入，不存在mini-batch的概念。所以将model改为eval模式后，BN的参数固定，并采用之前训练好的全局的mean和std；

对于Dropout，训练阶段，隐含层神经元先乘概率P，再进行激活；而测试阶段，神经元先激活，每个隐含层神经元的输出再乘概率P。

如下图所示：

补充：pytorch中model.eval之后是否还需要model.train的问题

答案是：需要的

正确的写法是

for循环之后再开启train，

循环之后的评估model.eval之后就会再次回到model.train

以上为个人经验，希望能给大家一个参考，也希望大家多多支持hwidc。