前言
这两个方法通常用于训练和测试阶段
1. Net.train()
- 该代码用在训练模式中
- 主要作用：
模型启用了训练时特定的功能（Batch Normalization 和 Dropout）。
在这种模式下，模型会根据训练数据进行参数更新，并且会在前向传播中跟踪梯度，以便进行反向传播和参数更新。
model = Net()
model.train() # 设置模型为训练模式
2. Net.eval()
- 该代码用在测试模块中
- 主要作用：
在评估模式下，模型禁用了一些训练时的特定功能（Batch Normalization 和 Dropout）。
此外，模型在前向传播中不再跟踪梯度，以减少内存消耗，并且不会进行参数更新。
3. 总结
使用这两个方法的主要目的是确保在训练和测试阶段使用正确的模型行为。
在没有涉及到 Batch Normalization 和 Dropout 的模型中，这两个函数的使用通常不是必须的，因为模型在训练和测试中的行为没有本质的不同。但在包含了这些层的模型中，使用 net.train() 和 net.eval() 可以确保在训练和测试阶段使用正确的模型行为，以防止对测试数据的不当影响。
在测试阶段，关闭一些训练中使用的特殊处理可以提高模型的性能和稳定性，避免对测试数据的不当影响。
在训练过程中，一般会按照以下步骤进行：
model.train() # 设置模型为训练模式
# 训练代码
而在测试/评估过程中，一般会按照以下步骤进行：
model.eval() # 设置模型为评估模式
# 测试/评估代码