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。
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
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
