pytorch中的model.eval()和BN層的使用
看代碼吧~
class ConvNet(nn.module): def __init__(self, num_class=10): super(ConvNet, self).__init__() self.layer1 = nn.Sequential(nn.Conv2d(1, 16, kernel_size=5, stride=1, padding=2), nn.BatchNorm2d(16), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2)) self.layer2 = nn.Sequential(nn.Conv2d(16, 32, kernel_size=5, stride=1, padding=2), nn.BatchNorm2d(32), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2)) self.fc = nn.Linear(7*7*32, num_classes) def forward(self, x): out = self.layer1(x) out = self.layer2(out) print(out.size()) out = out.reshape(out.size(0), -1) out = self.fc(out) return out
# Test the model model.eval() # eval mode (batchnorm uses moving mean/variance instead of mini-batch mean/variance) with torch.no_grad(): correct = 0 total = 0 for images, labels in test_loader: images = images.to(device) labels = labels.to(device) outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item()
如果網絡模型model中含有BN層,則在預測時應當將模式切換為評估模式,即model.eval()。
評估模擬下BN層的均值和方差應該是整個訓練集的均值和方差,即 moving mean/variance。
訓練模式下BN層的均值和方差為mini-batch的均值和方差,因此應當特別註意。
補充:Pytorch 模型訓練模式和eval模型下差別巨大(Pytorch train and eval)附解決方案
當pytorch模型寫明是eval()時有時表現的結果相對於train(True)差別非常巨大,這種差別經過逐層查看,主要來源於使用瞭BN,在eval下,使用的BN是一個固定的running rate,而在train下這個running rate會根據輸入發生改變。
解決方案是凍住bn
def freeze_bn(m): if isinstance(m, nn.BatchNorm2d): m.eval() model.apply(freeze_bn)
這樣可以獲得穩定輸出的結果。
以上為個人經驗,希望能給大傢一個參考,也希望大傢多多支持WalkonNet。
推薦閱讀:
- 聊聊pytorch測試的時候為何要加上model.eval()
- 利用Pytorch實現ResNet網絡構建及模型訓練
- PyTorch 遷移學習實踐(幾分鐘即可訓練好自己的模型)
- 解決Pytorch中Batch Normalization layer踩過的坑
- Pytorch實現圖像識別之數字識別(附詳細註釋)