前言
本文将简要说明下 Pytorch 中 model.eval() (模型评估模式)，model.train() (模型训练模式) 和 torch.no_grad() (取消梯度计算上下文管理器) 的作用与用法。
model.train() 和 model.eval()
这里的 model 指的是在 Pytorch 中定义的模型，需要继承自 torch.nn.Module，下同。
model.train() 会将 model 设置成训练模式，这只会影响 model 中特定的一些模块，比如：Dropout、BatchNorm 等，因为这些模块在训练阶段和验证阶段（或测试阶段）有着不同的行为。而其他大部分模块（如，nn.Linear、nn.Embedding、nn.Conv1d 等）在训练阶段和验证以及测试阶段都具有同样的行为，所以不会受此模式的影响。
关于 Dropout 在不同阶段有着不同行为的解释可参考我的另一博文：神经网络正则化方法总结——Dropout
model.eval() 会将 model 设置成评估模式，同上，这只会影响 model 中特定的一些模块，比如：Dropout、BatchNorm 等。
若是在模型的非训练阶段（如 evaluation 阶段）未使用 model.eval() 将 model 设置成评估模式，有可能会造成同一样本的多次推断结果不一致的情况（这可是一个很大的问题…）
torch.no_grad()
torch.no_grad 是一个上下文管理器，在其管理范围内 Pytorch 不再计算模型各参数的梯度，即使参数的 requires_grad 属性为 True，这能有效减少模型计算时所需的内存/显存（因为保存参数梯度需要大量的内存/显存）。这在模型的 evaluation 和 test 以及 predict 这些非训练阶段中很有用，常见用法有两种，一种是使用 with 语句，另一种是使用修饰器：
x = torch.tensor([1], requires_grad=True)# 使用 with 语句
with torch.no_grad():y = x * 2
print(y.requires_grad) # 输出为 False# 使用 torch.no_grad() 修饰器
@torch.no_grad()
def doubler(x):return x * 2
z = doubler(x)
print(z.requires_grad) # 输出为 False
在 Pytorch 模型的非训练阶段，往往需要同时使用 torch.no_grad() 和 model.eval().
在从非训练阶段跳转到训练阶段（即 train 阶段）时，别忘了使用 mode.train() 命令。
参考源
- Pytorch 官方文档 torch.nn.Module
- 神经网络正则化方法总结——Dropout