一、两种模式
pytorch可以给我们提供两种方式来切换训练和评估(推断)的模式，分别是：model.train( ) 和 model.eval( )。
一般用法是：在训练开始之前写上 model.trian() ，在测试时写上 model.eval() 。
二、功能
1. model.train()
在使用 pytorch 构建神经网络的时候，训练过程中会在程序上方添加一句model.train( )，作用是启用 batch normalization 和 dropout 。
如果模型中有BN层（Batch Normalization）和 Dropout ，需要在训练时添加 model.train( )。
model.train( ) 是保证 BN 层能够用到每一批数据的均值和方差。对于 Dropout，model.train( ) 是随机取一部分网络连接来训练更新参数。
2. model.eval()
model.eval( )的作用是不启用 Batch Normalization 和 Dropout。
如果模型中有 BN 层（Batch Normalization）和 Dropout，在测试时添加 model.eval( )。
model.eval( ) 是保证 BN 层能够用全部训练数据的均值和方差，即测试过程中要保证 BN 层的均值和方差不变。对于 Dropout，model.eval( ) 是利用到了所有网络连接，即不进行随机舍弃神经元。
为什么测试时要用 model.eval() ？
训练完 train 样本后，生成的模型 model 要用来测试样本了。在 model(test) 之前，需要加上model.eval( )，否则的话，有输入数据，即使不训练，它也会改变权值。这是 model 中含有 BN 层和 Dropout 所带来的的性质。
eval( ) 时，pytorch 会自动把 BN 和 DropOut 固定住，不会取平均，而是用训练好的值。
不然的话，一旦 test 的 batch_size 过小，很容易就会被 BN 层导致生成图片颜色失真极大。eval( ) 在非训练的时候是需要加的，没有这句代码，一些网络层的值会发生变动，不会固定，你神经网络每一次生成的结果也是不固定的，生成质量可能好也可能不好。也就是说，测试过程中使用model.eval( )，这时神经网络会沿用 batch normalization 的值，而不使用dropout。
3. 总结与对比
如果模型中有 BN 层(Batch Normalization）和 Dropout，需要在训练时添加 model.train()，在测试时添加 model.eval( )。
其中 model.train( ) 是保证 BN 层用每一批数据的均值和方差，而 model.eval( ) 是保证 BN 用全部训练数据的均值和方差；
而对于 Dropout，model.train( ) 是随机取一部分网络连接来训练更新参数，而 model.eval( ) 是利用到了所有网络连接。
三、Dropout 简介
dropout 常常用于抑制过拟合。
设置Dropout时，torch.nn.Dropout(0.5)，这里的 0.5 是指该层（layer）的神经元在每次迭代训练时会随机有 50% 的可能性被丢弃（失活），不参与训练。也就是将上一层数据减少一半传播。
参考链接
[1]
PyTorch中train()方法的作用是什么: https://www.yisu.com/zixun/518049.html
[2]
【pytorch】model.train()和model.evel()的用法: https://blog.csdn.net/qq_37791134/article/details/108122202
[3]
pytorch中net.eval() 和net.train()的使用: https://www.jianshu.com/p/822d9ae0169d
[4]
Pytorch学习笔记11----model.train()与model.eval()的用法、Dropout原理、relu,sigmiod,tanh激活函数、nn.Linear浅析、输出整个tensor的方法: https://www.cnblogs.com/luckyplj/p/13424561.html
[5]
好文：Pytorch：model.train()和model.eval()用法和区别，以及model.eval()和torch.no_grad()的区别: https://zhuanlan.zhihu.com/p/357075502
来源：代码网
作者：qgyh
