model.eval()是否会影响参数的更新

在知乎看到一篇文章，https://zhuanlan.zhihu.com/p/357075502，里边提到model.eval模式不会影响各层的gradient计算行为，即gradient计算和存储与training模式一样，只是不进行反向传播（back probagation)。
这个地方的不进行反向传播让我感觉有点迷惑，是不使用loss.backward()呢，还是说用了loss.backward()也不起作用呢？
虽然我感觉应该是第一种结论（不使用loss.backward()），但还是做了一个例子验证了一下。
如下例所示：
无论是否添加model.eval()，使用了loss.backward()之后，仍然会更新参数权重。

'''
model.eval()是否会影响参数更新
例子：用神经网络拟合一个二元函数
'''
import torch
import torch.nn as nn
import torch.optim as optim
import math
import random
import numpy as np
import torch.nn.functional as F

# 设置随机种子
def setup_seed(seed):
    torch.manual_seed(seed)                 #为cpu分配随机种子
    if torch.cuda.is_available():
        torch.cuda.manual_seed(seed)        #为gpu分配随机种子
        torch.cuda.manual_seed_all(seed)    #若使用多块gpu，使用该命令设置随机种子
    random.seed(seed)
    np.random.seed(seed)
    torch.backends.cudnn.deterministic = True
    torch.backends.cudnn.benchmard = False

setup_seed(666)

class model(nn.Module):
    def __init__(self, n_feature, n_hidden):
        super(model, self).__init__()
        self.hidden = nn.Linear(n_feature, n_hidden)   # 隐藏层
        self.predict = nn.Linear(n_hidden, n_feature)  # 输出层

    def forward(self, x, target):
        y = F.relu(self.hidden(x))  # 隐藏层用 relu
        y = self.predict(y)
        loss = MSE(y, target)
        # print(target)
        return loss

# Training loop
x_data = torch.linspace(-1, 1, 100)
x = torch.unsqueeze(x_data, dim=-1)
target = x.pow(2) + 0.2*torch.rand(x.size())

model = model(n_feature=1, n_hidden=10)
optimizer = optim.SGD(model.parameters(), lr=0.5, momentum=0.9)

# named_parameters = list(model.named_parameters())
# cur = optimizer.param_groups[0]['params']       # 0-代表在list中取出相关数据，params代表取出model的参数

MSE = nn.MSELoss()

# model.eval()    # 添加与否不影响梯度的更新

for epoch in range(10):
    loss = model(x, target)
    print(loss)
    optimizer.zero_grad()
    loss.backward()
    res = [x.grad for x in optimizer.param_groups[0]['params']]
    print(res)
    print("-----------------------")
    optimizer.step()