Pytorch 关于Batch_Size的大小及BatchNorm设置对测试结果的影响

探讨BatchNorm层在不同Batch_Size下对模型表现的影响,特别是在affine=True时,如何通过调整模型评估状态确保一致的测试结果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这篇里面没图片

BatchNorm的affine=True的情况下,如果训练和测试的时候Batch_Size设置成不同的数字,比如训练的时候Batch_Size=16,测试的时候单张测试(Batch_Size=1),则测试结果会很差,必须在测试的时候Batch_Size=16(也就是测试和训练使用同样的Batch_Size),才会有合理的结果

这样的情况是因为BatchNorm的affine=True的情况下,BatchNorm的参数也会进入训练,但这个时候BatchNorm的参数是适合Batch_Size=16的时候使用的,一旦Batch_Size变化,这个训练出来的参数就会变得不适用。

解决方法是,将BatchNorm的affine=False,这样训练和测试的时候Batch_Size的大小就没有关系了,缺点是会导致训练速度变慢

以上是手写的情况下,但是在pytorch中不需要这样做,只需要在验证的时候加入 model.eval() 就可以了

评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值