PyTorch 中 model.eval() 的使用与作用详解

---

一、🚀model.train() 与 model.eval() 是什么？

使用 PyTorch 进行深度学习训练时，我们经常会看到如下的代码片段：

model.train()
# 训练阶段...model.eval()
# 验证或测试阶段...

很多初学者第一次看到时都会问：

“为什么要在测试前加一句 model.eval()？
不加行不行？到底起了什么作用？”

eval，英文意即为评估

在 PyTorch 中，每个神经网络模型都是一个 nn.Module 的子类。
而 nn.Module 中有两个非常重要的模式：

模式	含义	常用于
model.train()	开启训练模式（默认）	模型训练阶段
model.eval()	开启评估模式	验证、测试阶段

👉 它们的区别不在于是否计算梯度，
而在于模型内部某些层（如 Dropout、BatchNorm）的行为发生变化。

---

二、为什么需要 model.eval()

神经网络中有些层在“训练”和“推理”阶段需要不同的行为，例如：

Dropout 层

• 在训练时，会随机“丢弃”一部分神经元（防止过拟合）；
• 在测试时，则应该关闭 Dropout，让所有神经元都参与计算。

如果你不调用 model.eval()，
那在测试阶段 Dropout 仍然会随机丢弃神经元，导致结果不稳定、性能下降。

---

Batch Normalization 层（BN层）

• 在训练时，BatchNorm 会根据当前 mini-batch 的均值和方差进行标准化；
• 在测试时，应该使用在训练中统计到的“全局均值和方差”来规范化。

如果不切换到 eval 模式，
BN 层会继续更新统计信息，导致推理结果偏差甚至错误。

---

✅ 结论：

model.eval() 的核心作用是让模型中某些层（Dropout、BatchNorm）进入“推理模式”。

---

三、model.eval() 与 torch.no_grad() 的区别

这两个经常一起出现，很多人容易混淆：

功能	是否影响 Dropout/BN	是否停止计算梯度	使用场景
model.eval()	✅ 是	❌ 否	切换模型状态（推理模式）
torch.no_grad()	❌ 否	✅ 是	禁止梯度计算，加快推理速度、节省显存

因此，推理时我们通常会这样写👇：

model.eval()  # 切换为推理模式
with torch.no_grad():  # 不计算梯度outputs = model(inputs)

---

四、完整示例：对比 train() 和 eval()

让我们用一个小例子直观看看区别 👇

import torch
import torch.nn as nn# 一个简单的网络，包含 Dropout
class SimpleNet(nn.Module):def __init__(self):super().__init__()self.fc = nn.Linear(4, 4)self.dropout = nn.Dropout(p=0.5)def forward(self, x):return self.dropout(self.fc(x))# 创建模型和输入
x = torch.ones(4)
model = SimpleNet()# 训练模式
model.train()
print("Train Mode Output:")
for _ in range(3):print(model(x))# 推理模式
model.eval()
print("\nEval Mode Output:")
for _ in range(3):print(model(x))

输出对比

Train Mode Output:
tensor([-0.0000, -1.4387,  0.7793,  0.0000], grad_fn=<MulBackward0>)
tensor([-0.0000, -1.4387,  0.0000,  0.0000], grad_fn=<MulBackward0>)
tensor([-0.0000, -1.4387,  0.7793,  0.0000], grad_fn=<MulBackward0>)Eval Mode Output:
tensor([-0.2442, -0.7194,  0.3897,  0.9389], grad_fn=<ViewBackward0>)
tensor([-0.2442, -0.7194,  0.3897,  0.9389], grad_fn=<ViewBackward0>)
tensor([-0.2442, -0.7194,  0.3897,  0.9389], grad_fn=<ViewBackward0>)

✅ 说明：

• 训练模式下 Dropout 随机屏蔽神经元，因此每次输出不同；
• 推理模式下 Dropout 被关闭，输出稳定。

---

五、与 model.train() 的区别总结

比较项	model.train()	model.eval()
模型状态	训练模式	推理模式
Dropout	启用随机丢弃	关闭
BatchNorm	使用批次统计	使用全局统计
是否影响梯度	❌ 不影响	❌ 不影响
常用场景	模型训练阶段	验证、推理阶段

---

六、完整实战代码（训练 + 验证）

import torch
import torch.nn as nn
import torch.optim as optim# 定义简单模型
class Net(nn.Module):def __init__(self):super().__init__()self.fc1 = nn.Linear(4, 10)self.relu = nn.ReLU()self.dropout = nn.Dropout(0.5)self.fc2 = nn.Linear(10, 3)def forward(self, x):x = self.fc1(x)x = self.relu(x)x = self.dropout(x)return self.fc2(x)model = Net()
optimizer = optim.Adam(model.parameters())
criterion = nn.CrossEntropyLoss()for epoch in range(3):# ===== 训练阶段 =====model.train()optimizer.zero_grad()x = torch.randn(5, 4)y = torch.randint(0, 3, (5,))out = model(x)loss = criterion(out, y)loss.backward()optimizer.step()# ===== 验证阶段 =====model.eval()with torch.no_grad():val_x = torch.randn(5, 4)val_out = model(val_x)val_pred = val_out.argmax(dim=1)print(f"Epoch {epoch}: loss={loss.item():.4f}, val_pred={val_pred.tolist()}")

输出如下：

Epoch 0: loss=1.0044, val_pred=[1, 1, 1, 2, 2]
Epoch 1: loss=0.9953, val_pred=[2, 1, 2, 2, 2]
Epoch 2: loss=1.2143, val_pred=[2, 2, 1, 2, 1]

✅ 训练时：

• Dropout 启用；
• BatchNorm 统计更新。

✅ 验证时：

• Dropout 关闭；
• BatchNorm 使用训练统计参数。

---

七、常见错误与避坑指南

错误用法	后果
在测试时忘记 model.eval()	Dropout、BN 层仍随机，导致结果波动、不稳定
在推理时忘记 torch.no_grad()	会记录梯度，浪费显存、速度变慢
在训练时调用了 model.eval()	模型学不动，BN 不更新统计信息
忘记在训练开始前加 model.train()	模型仍在推理模式，训练效果不佳

---

八、小结

项目	说明
函数名	model.eval()
所属模块	torch.nn.Module
作用	切换模型到评估（推理）模式
影响层	Dropout、BatchNorm
与 no_grad 区别	eval() 控制模式，no_grad 控制梯度
使用场景	验证、测试、推理阶段
常用组合	model.eval() + with torch.no_grad():

---

九、📚 参考资料

• PyTorch 官方文档：torch.nn.Module.eval()
• 快速学pytorch之评估模式：model.eval()-CSDN博客
• 预测时一定要记得model.eval()!
• pytorch中的model. train()和model. eval()到底做了什么？