1 validation的一般框架

模型为model，优化器为optimizer

min_val_loss = np.inf
for epoch in range(1, epochs + 1):
    
    ############################训练部分开始#############################
    model.train()
    train_losses = []
    for (batch_x, batch_y) in train_loader:
 
        output = model(batch_x) 
        loss = criterion(output, batch_y) 
 
        optimizer.zero_grad()
        loss.backward() 
        optimizer.step()
        #pytorch 老三样
 
    ############################训练部分结束#############################
 
 
    ############################验证部分开始#############################
    model.eval()
    for (batch_x, batch_y) in val_loader:
 
        with torch.no_grad():
            output = model(batch_x) 
            loss = criterion(output, batch_y)
 
        val_losses.append(loss.item())
    val_loss = np.mean(val_losses)
 
    if val_loss < min_val_loss:
        min_val_loss = val_loss
        torch.save(model.state_dict(), save_path)
        #保存最优模型
    ############################验证部分结束#############################

test的时候，就可以加载这个最佳模型对应的参数（model.load_state_dict），进行测试

2 model.eval() V,S with torch.no_grad()

2.1 相同点

在PyTorch中进行validation时，使用他们均可切换到测试模式。

eg，对于dropout层和batchnorm层：

• 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。

2.2 不同点

• model.eval()仍然会涉及gradient的计算和存储，与training模式一样，只是不进行反向传播。

• **with torch.zero_grad()**则停止autograd模块的工作，也就是停止gradient计算，以起到加速和节省显存的作用，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。（这俩还是train模式下的样子）

• ——>二者搭配使用