🎬 鸽芷咕：个人主页
 🔥 个人专栏: 《C++干货基地》《粉丝福利》

⛺️生活的理想，就是为了理想的生活!

---

引言

在训练神经网络时，我们通常需要计算损失函数关于模型参数的梯度，以便通过梯度下降等优化算法更新参数。然而，在评估阶段，我们只关心模型的输出，而不需要更新参数。在这种情况下，使用 with torch.no_grad(): 上下文管理器可以有效地告诉 PyTorch 不要计算或存储梯度，从而节省计算资源，加快评估速度。

with torch.no_grad() 的原理

with torch.no_grad() 是一个上下文管理器，它会在进入该上下文时自动将模型设置为“评估模式”，并在此期间禁用梯度计算。这意味着在此上下文中，所有计算得出的张量都不会跟踪它们的计算历史，从而不会计算梯度。当退出该上下文时，模型会恢复到之前的模式（通常是“训练模式”）。

使用场景

1. 模型评估

在训练过程中，我们经常需要在验证集或测试集上评估模型的性能。这时，我们使用 with torch.no_grad(): 来确保在评估过程中不会计算梯度，从而节省计算资源。

model.eval()  # 将模型设置为评估模式
with torch.no_grad():
    for data, target in test_loader:
        output = model(data)
        loss = criterion(output, target)
        test_loss += loss.item()
        _, predicted = torch.max(output, 1)
        total += target.size(0)
        correct += (predicted == target).sum().item()

2. 模型推理

在模型部署到生产环境后，我们通常只需要进行前向传播以获得模型的输出。在这种情况下，我们同样可以使用 with torch.no_grad(): 来提高推理速度。

with torch.no_grad():
    output = model(input_data)

注意事项

• with torch.no_grad() 只影响它内部的代码块。退出该上下文后，模型会恢复到之前的状态。
• 如果在训练过程中需要频繁地在训练和评估模式之间切换，可以考虑使用模型对象的 eval() 和 train() 方法，这两个方法会分别将模型设置为评估模式和训练模式。

结论

with torch.no_grad(): 是 PyTorch 中一个非常有用的工具，它可以帮助我们在不需要计算梯度的场景中节省计算资源，加快模型评估和推理的速度。通过正确使用这个上下文管理器，我们可以更高效地开发和部署深度学习模型。