model.eval()是一种开关，用于模型的某些特定层/部分，这些层/部分在训练和推理期间表现不同例如，Dropouts层、BatchNorm层等。在模型评估期间，您需要关闭它们，.eval()将为您执行此操作。此外，评估/确认的常见做法是使用torch.no_grad()与model.eval()配对以关闭梯度计算：

# evaluate model:
model.eval()

with torch.no_grad():
    ...
    out_data = model(data)
    ...

但是，不要忘记在评估步骤后返回training模式：

# training step
...
model.train()
...

| model.train()|model.eval()|
| - ------|- ------|
| 将模型设置为训练模式：·标准化层1使用每批统计数据·激活Dropout图层2|在eval评估（推理）模式下设置模型：·归一化图层使用运行统计数据·取消激活Dropout图层|
| | 相当于model.train(False)。|
您可以通过运行model.train()来关闭求值模式，但在将模型作为推理引擎运行时，即在测试、验证和预测时，应该使用它（尽管实际上，如果您的模型不包含任何differently behaving layers，它也不会产生任何影响）。
1.例如BatchNorm、InstanceNorm
1.这包括RNN模块etc的子模块。

model.eval是torch.nn.Module的方法：

eval()

将模块设置为评估模式。
这仅对某些模块有影响。如果受到影响，请参见特定模块的文档，了解其在培训/评估模式下的行为详情，例如Dropout、BatchNorm等。
这与self.train(False)等效。
相反的方法是由Umang Gupta很好地解释的model.train。

对上述答案的补充：
我最近开始使用Pytorch-lightning，它 Package 了培训-验证-测试管道中的大部分样板文件。
除此之外，它还允许使用train_step和validation_step回调函数 Package eval和train，从而使model.eval()和model.train()近乎冗余，这样您就不会忘记。