model.eval()和with torch.no_grad()的区别
先给出结论： 这两个的所起的作用是不同的。
-
model.eval
model.eval()的作用是不启用Batch Normalization 和 Dropout. 相当于告诉网络，目前在eval模式，dropout层不会起作用（而在训练阶段，dropout会随机以一定的概率丢弃掉网络中间层的神经元，而且在实际操作过程中一般不在卷积层设置该操作，而是在全连接层设置，因为全连接层的参数量一般远大于卷积层），batch normalization也有不同的作用（在训练过程中会对每一个特征维做归一化操作，对每一批量输入算出mean和std，而在eval模式下BN层将能够使用全部训练数据的均值和方差，即测试过程中不再针对测试样本计算mean和std，而是用训练好的值）。
-
with torch.no_grad()
当我们计算梯度的时候，我们需要缓存前向传播过程中大量的中间输出，因为在反向传播pytoch自动计算梯度时需要用到这些值。而我们在测试时，我们不需要计算梯度，那么也就意味着我们不需要在forward的时候保存这些中间输出。此外，在测试阶段，我们也不需要构造计算图（这也需要一定的存储开销）。Pytorch为我们提供了一个上下文管理器，torch.no_grad，在with torch.no_grad() 管理的环境中进行计算，不会生成计算图，不会存储为计算梯度而缓存的中间值。
总结： 当网络中出现batch normalization或者dropout这样的在training,eval时表现不同的层，应当使用model.eval()。在测试时用with torch.no_grad()会节省存储空间。
另外需要注意的是，即便不使用with torch.no_grad()，在测试只要你不调用loss.backward()就不会计算梯度，with torch.no_grad()的作用只是节省存储空间。当然，在测试阶段，可以两者一起使用，效果更好。