gpt4 book ai didi

聊聊PyTorch中eval和no_grad的关系

转载 作者:qq735679552 更新时间:2022-09-27 22:32:09 26 4
gpt4 key购买 nike

CFSDN坚持开源创造价值,我们致力于搭建一个资源共享平台,让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章聊聊PyTorch中eval和no_grad的关系由作者收集整理,如果你对这篇文章有兴趣,记得点赞哟.

首先这两者有着本质上区别

model.eval()是用来告知model内的各个layer采取eval模式工作。这个操作主要是应对诸如dropout和batchnorm这些在训练模式下需要采取不同操作的特殊layer。训练和测试的时候都可以开启.

torch.no_grad()则是告知自动求导引擎不要进行求导操作。这个操作的意义在于加速计算、节约内存。但是由于没有gradient,也就没有办法进行backward。所以只能在测试的时候开启.

所以在evaluate的时候,需要同时使用两者.

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
model = ...
dataset = ...
loss_fun = ...
 
# training
lr = 0.001
model.train()
for x,y in dataset:
  model.zero_grad()
  p = model(x)
  l = loss_fun(p, y)
  l.backward()
  for p in model.parameters():
   p.data - = lr * p.grad
 
# evaluating
sum_loss = 0.0
model. eval ()
with torch.no_grad():
  for x,y in dataset:
   p = model(x)
   l = loss_fun(p, y)
   sum_loss + = l
print ( 'total loss:' , sum_loss)

另外no_grad还可以作为函数是修饰符来用,从而简化代码.

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
def train(model, dataset, loss_fun, lr = 0.001 ):
  model.train()
  for x,y in dataset:
   model.zero_grad()
   p = model(x)
   l = loss_fun(p, y)
   l.backward()
   for p in model.parameters():
    p.data - = lr * p.grad
 
@torch .no_grad()
def test(model, dataset, loss_fun):
  sum_loss = 0.0
  model. eval ()
  for x,y in dataset:
   p = model(x)
   l = loss_fun(p, y)
   sum_loss + = l
  return sum_loss
 
# main block:
model = ...
dataset = ...
loss_fun = ...
 
# training
train()
# test
sum_loss = test()
print ( 'total loss:' , sum_loss)

补充:pytorch中model.train、model.eval以及torch.no_grad的用法 。

1、model.train()

启用 BatchNormalization 和 Dropout 。

model.train() 让model变成训练模式,此时 dropout和batch normalization的操作在训练起到防止网络过拟合的问题 。

2、model.eval()

不启用 BatchNormalization 和 Dropout 。

model.eval(),pytorch会自动把BN和DropOut固定住,而用训练好的值。不然的话,一旦test的batch_size过小,很容易就会被BN层导致所生成图片颜色失真极大 。

训练完train样本后,生成的模型model要用来测试样本。在model(test)之前,需要加上model.eval(),否则的话,有输入数据,即使不训练,它也会改变权值。这是model中含有batch normalization层所带来的的性质.

对于在训练和测试时为什么要这样做,可以从下面两段话理解:

在训练的时候, 会计算一个batch内的mean 和var, 但是因为是小batch小batch的训练的,所以会采用加权或者动量的形式来将每个batch的 mean和var来累加起来,也就是说再算当前的batch的时候,其实当前的权重只是占了0.1, 之前所有训练过的占了0.9的权重,这样做的好处是不至于因为某一个batch太过奇葩而导致的训练不稳定.

好,现在假设训练完成了, 那么在整个训练集上面也得到了一个最终的”mean 和var”, BN层里面的参数也学习完了(如果指定学习的话),而现在需要测试了,测试的时候往往会一张图一张图的去测,这时候没有batch而言了,对单独一个数据做 mean和var是没有意义的, 那么怎么办,实际上在测试的时候BN里面用的mean和var就是训练结束后的mean_final 和 val_final. 也可说是在测试的时候BN就是一个变换。所以在用pytorch的时候要注意这一点,在训练之前要有model.train() 来告诉网络现在开启了训练模式,在eval的时候要用”model.eval()”, 用来告诉网络现在要进入测试模式了.因为这两种模式下BN的作用是不同的.

3、torch.no_grad()

这条语句的作用是:在测试时不进行梯度的计算,这样可以在测试时有效减小显存的占用,以免发生显存溢出(OOM).

这条语句通常加在网络预测的那条代码上.

4、pytorch中model.eval()和“with torch.no_grad()区别

两者区别

在PyTorch中进行validation时,会使用model.eval()切换到测试模式,在该模式下, 。

主要用于通知dropout层和batchnorm层在train和val模式间切换 。

在train模式下,dropout网络层会按照设定的参数p设置保留激活单元的概率(保留概率=p); batchnorm层会继续计算数据的mean和var等参数并更新.

在val模式下,dropout层会让所有的激活单元都通过,而batchnorm层会停止计算和更新mean和var,直接使用在训练阶段已经学出的mean和var值.

该模式不会影响各层的gradient计算行为,即gradient计算和存储与training模式一样,只是不进行反传(backprobagation) 。

而with torch.zero_grad()则主要是用于停止autograd模块的工作,以起到加速和节省显存的作用,具体行为就是停止gradient计算,从而节省了GPU算力和显存,但是并不会影响dropout和batchnorm层的行为.

使用场景

如果不在意显存大小和计算时间的话,仅仅使用model.eval()已足够得到正确的validation的结果;而with torch.zero_grad()则是更进一步加速和节省gpu空间(因为不用计算和存储gradient),从而可以更快计算,也可以跑更大的batch来测试.

以上为个人经验,希望能给大家一个参考,也希望大家多多支持我。如有错误或未考虑完全的地方,望不吝赐教.

原文链接:https://blog.csdn.net/yanxiangtianji/article/details/113798888 。

最后此篇关于聊聊PyTorch中eval和no_grad的关系的文章就讲到这里了,如果你想了解更多关于聊聊PyTorch中eval和no_grad的关系的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。

26 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com