PyTorch模型的train模式与eval模式实例

在本文中，我们将介绍PyTorch模型的train模式和eval模式，并提供两个示例来说明如何在这两种模式下使用模型。

train模式

在train模式下，模型会计算梯度并更新权重。以下是在train模式下训练模型的示例：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(2, 1)

    def forward(self, x):
        x = self.fc1(x)
        return x

model = Net()

# 定义损失函数和优化器
criterion = nn.BCEWithLogitsLoss()
optimizer = optim.SGD(model.parameters(), lr=0.1)

# 训练模型
model.train()
for epoch in range(100):
    running_loss = 0.0
    for i, data in enumerate(train_dataset, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()

    print(f'Epoch {epoch + 1}, Loss: {running_loss:.2f}')

在上述代码中，我们定义了一个简单的全连接神经网络Net，它含一个输入层和一个输出层。然后，我们创建了一个模型实例model。我们还定义了损失函数criterion和优化器optimizer。在训练模型的过程中，我们使用model.train()来将模型设置为train模式，并使用loss.backward()和optimizer.step()来计算梯度并更新权重。

eval模式

在eval模式下，模型不会计算梯度或更新权重。这种模式通常用于测试或评估模型。以下是在eval模式下使用模型的示例：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(2, 1)

    def forward(self, x):
        x = self.fc1(x)
        return x

model = Net()

# 加载模型权重
model.load_state_dict(torch.load('model.pth'))

# 将模型设置为eval模式
model.eval()

# 使用模型进行预测
with torch.no_grad():
    for data in test_dataset:
        inputs, labels = data
        outputs = model(inputs)
        predicted = torch.round(torch.sigmoid(outputs))
        print(f'Predicted: {predicted}, Actual: {labels}')

在上述代码中，我们定义了一个简单的全连接神经网络Net，它含一个输入层和一个输出层。然后，我们创建了一个模型实例model。我们使用model.load_state_dict()加载模型的权重，并使用model.eval()将模型设置为eval模式。在使用模型进行预测时，我们使用with torch.no_grad()来禁用梯度计算，因为我们不需要计算梯度或更新权重。