model.eval()用法举例说明

model.eval()是PyTorch中用于将模型设置为评估模式的方法。在评估模式下，模型的行为会有所不同，例如在训练时使用的dropout层将被禁用，以便更好地评估模型的性能。下面是一个示例：

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

# 定义模型
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.fc1 = nn.Linear(10, 5)
        self.fc2 = nn.Linear(5, 1)

    def forward(self, x):
        x = self.fc1(x)
        x = nn.functional.relu(x)
        x = self.fc2(x)
        return x

# 创建模型和优化器
model = MyModel()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 将模型设置为训练模式
model.train()

# 训练模型
for epoch in range(10):
    for input, target in dataset:
        output = model(input)
        loss = nn.functional.mse_loss(output, target)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

# 将模型设置为评估模式
model.eval()

# 在评估模式下使用模型
with torch.no_grad():
    for input, target in test_dataset:
        output = model(input)
        loss = nn.functional.mse_loss(output, target)
        print(loss.item())

在上面的示例中，我们首先定义了一个简单的神经网络模型，并使用SGD优化器进行训练。在训练过程中，我们将模型设置为训练模式，以便启用dropout层。在训练完成后，我们将模型设置为评估模式，并使用no_grad()上下文管理器禁用梯度计算，以便更好地评估模型的性能。