使用 pytorch 训练和测试 CNN。有和没有 model.eval()

Posted 2023-03-27

【中文标题】使用 pytorch 训练和测试 CNN。有和没有 model.eval()

【英文标题】：Training and testing CNN with pytorch. With and without model.eval()

【发布时间】：2019-09-20 17:53:38

【问题描述】：

我有两个问题：-

我正在尝试训练一个用一些预先训练的权重初始化的卷积神经网络（Netwrok 也包含批量归一化层）（参考here）。在训练之前，我想使用loss_fn = torch.nn.MSELoss().cuda() 计算验证错误。 在参考文献中，作者在计算验证错误之前使用了model.eval()。但是有了这个结果，CNN 模型偏离了它应该是的状态，但是当我注释掉 model.eval() 时，输出很好（预训练的权重应该是什么）。这背后的原因是什么，正如我在许多帖子中看到的那样，在测试模型之前应该使用model.eval，在训练模型之前应该使用model.train()。

在使用预先训练的权重和上述损失函数计算验证误差时，批量大小应该是多少。它不应该是 1，因为我想在每个输入上输出，用基本事实计算误差，最后取所有结果的平均值。如果我使用更高的批量大小错误会增加。所以问题是我可以使用更高的批量大小，如果是的话应该是正确的方法。在给定的代码中，我给出了err = float(loss_local) / num_samples，但我观察到没有平均，即err = float(loss_local)。不同批次大小的误差是不同的。我现在在没有model.eval 的情况下这样做。

    batch_size = 1
    data_path = 'path_to_data'
    dtype = torch.FloatTensor
    weight_file = 'path_to_weight_file'
    val_loader = torch.utils.data.DataLoader(NyuDepthLoader(data_path, val_lists),batch_size=batch_size, shuffle=True, drop_last=True)
    model = Model(batch_size)
    model.load_state_dict(load_weights(model, weight_file, dtype))
    loss_fn = torch.nn.MSELoss().cuda()
    # model.eval()

    with torch.no_grad():
        for input, depth in val_loader:
            input_var = Variable(input.type(dtype))
            depth_var = Variable(depth.type(dtype))

            output = model(input_var)

            input_rgb_image = input_var[0].data.permute(1, 2, 0).cpu().numpy().astype(np.uint8)
            input_gt_depth_image = depth_var[0][0].data.cpu().numpy().astype(np.float32)
            pred_depth_image = output[0].data.squeeze().cpu().numpy().astype(np.float32)
            print (format(type(depth_var)))
            pred_depth_image_resize = cv2.resize(pred_depth_image, dsize=(608, 456), interpolation=cv2.INTER_LINEAR)
            target_depth_transform = transforms.Compose([flow_transforms.ArrayToTensor()])
            pred_depth_image_tensor = target_depth_transform(pred_depth_image_resize)
            #both inputs to loss_fn are 'torch.Tensor'
            loss_local += loss_fn(pred_depth_image_tensor, depth_var)

            num_samples += 1
            print ('num_samples '.format(num_samples))

    err = float(loss_local) / num_samples
    print('val_error before train:', err)

【问题讨论】：

请为问题单独发帖以缩小范围，并与How to Ask保持一致。此外，对于您的第一个问题，PyTorch 参考资料对此主题进行了大量讨论。

【参考方案1】：

这可能是什么原因，正如我在许多帖子中所读到的那样，在测试模型之前应该使用 model.eval，在训练之前应该使用 model.train()。

注意：测试模型称为推理。

如官方documentation解释：

请记住，在运行推理之前，您必须调用 model.eval() 将 dropout 和批量归一化层设置为评估模式。不这样做会产生不一致的推理结果。

因此，一旦您从文件加载模型并进行推理，此代码必须存在。

# Model class must be defined somewhere
model = torch.load(PATH)
model.eval()

这是因为 dropout 在训练过程中用作防止过拟合的正则化，推理不需要它。批次规范也是如此。 当您使用eval() 时，这只会将模块序列标签设置为False，并且仅影响某些类型的模块，尤其是Dropout 和BatchNorm。