写文章
- @xx_xjm
简介
该用户还未填写简介
擅长的技术栈
未填写擅长的技术栈
可提供的服务
暂无可提供的服务
model.eval()和loss.backward(retain_graph = True)
1:model.eval()会固定网络的nn.BN层和nn.Dropout层，nn.BN层在train的时候针对每一个batch会计算一次均值方差，然后最后归纳整个训练集的均值方差，所以在test的时候就不能再让BN层的均值方差发生变化了。参考文章：(1条消息) Pytorch model.eval()的作用_嘿，兄弟，好久不见的博客-CSDN博客_model.eval()作用2：loss.bac
model.eval()和loss.backward(retain_graph = True)
1:model.eval()会固定网络的nn.BN层和nn.Dropout层，nn.BN层在train的时候针对每一个batch会计算一次均值方差，然后最后归纳整个训练集的均值方差，所以在test的时候就不能再让BN层的均值方差发生变化了。参考文章：(1条消息) Pytorch model.eval()的作用_嘿，兄弟，好久不见的博客-CSDN博客_model.eval()作用2：loss.bac
model.modules()和model.children()以及model._modules.items()，buffer / name_buffer()
两者包含的其实是你所定义的网络中继承自nn.Module的模块，比如nn.Relu,nn.Conv2d等，并不是你整个网络的forward（）结构，而且你自定义的函数模块也是没有的，实验如下：
暂无文章信息