不知道有没有小伙伴遇到过这样的情况：有时候使用Pytorch训练完模型，在测试数据上面得到的结果并不尽如人意。到底是什么原因导致pytorch训练结果不准确的呢？阅读这篇文章，你或许会找到答案。
当我们遇到训练结果不准确的情况的时候，可能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。
小结
以上就是pytorch训练结果不准确的可能的解决方案了，希望能给大家一个参考，也希望大家多多支持W3Cschool。
