保存模型

保存模型的方式主要有两种， 一种是全量保存，另一种是只保存网络结构的参数（注意，不保存网络结构，只保存参数，所以在加载模型的时候需要先设置好一个模型网络）

#1.保存整个网络
torch.save(model_object, model.pth)
#1.1加载参数
model = torch.load(model.pth)


#2.保存参数
torch.save(model_object.state_dict(), params.pth)
#2.1加载模型
model_object=model()
model_object.load_state_dict(torch.load(params.pth))

针对第二种方法，当你使用上述代码来调用保存的模型时，你会发现，模型效果非常差！离谱！明明保存好模型了，调用的代码也不报错，也能顺利运行，可为什么效果这么差呢？！我为此反复debug，后来不经意间百度了一下为何pytorch保存的模型测试效果这么差，才发现原来这是一个巨坑。 下面是借鉴的网上的资料，期间看了很多博客，发现都是模棱两可，便结合很多资料进行总结，得到了下述结果。 首先纠正上述代码，再讲明其中缘由：

#2.保存参数
torch.save(model_object.state_dict(), params.pth)
#2.1加载模型
model_object=model()
model_object.load_state_dict(torch.load(params.pth))
model.eval()#制定model.eval()固定dropout和BN层。

效果对比： 之前： 例子是一个图像分割网络，左边是训练集，中间是训练集标签，右边是调用模型的效果，可见非常差，和标签差了太多！ 加上model.eval()之后： 效果好了很多，这才是正常的测试效果。

model.eval()

仅仅多了如此一行，为何有奇效？

pytorch中model.eval()的作用 问题描述： torch.onnx.export()导出onnx模型后，利用onnxruntime加载onnx模型后，其输出结果与原始.pth模型的输出结果之间存在很大的差距；通过拆分网络结构，定位到nn.BatchNorm2d()层导致； Batch Normalization和Dropout Batch Normalization 其作用对网络中间的每层进行归一化处理，并且使用变换重构（Batch Normalization Transform）保证每层提取的特征分布不会被破坏。训练时是针对每个mini-batch的，但是测试是针对单张图片的，即不存在batch的概念。由于网络训练完成后参数是固定的，每个batch的均值和方差是不变的，因此直接结算所有batch的均值和方差。所有Batch Normalization的训练和测试时的操作不同。 Dropout 其作用克服Overfitting，在每个训练批次中，通过忽略一半的特征检测器，可以明显的减少过拟合现象。 model.train()和model.eval() train() 启用 BatchNormalization 和 Dropout eval() 不启用 BatchNormalization 和 Dropout，保证BN和dropout不发生变化，pytorch框架会自动把BN和Dropout固定住，不会取平均，而是用训练好的值，不然的话，一旦test的batch_size过小，很容易就会被BN层影响结果。 问题解决办法 在利用原始.pth模型进行前向推理之前，一定要先进行model.eval()操作，不启用 BatchNormalization 和 Dropout。