pytorch 测试模型时取不同的batchsize会由不同的正确率

问题：pytorch 测试模型时取不同的batchsize会由不同的正确率

之前：pytorch 测试模型时只用了 with torch.no_grad()，如下图

with torch.no_grad():  # 下面是没有梯度的计算,主要是测试集使用，不需要再计算梯度了
    model = ResNet18(ResidualBlock, [2, 2, 2, 2]).to(device)  # 调用网络
    model_paras_path = './weights/resnet_params.pth'

改正：一定要加model.eval()，如下

with torch.no_grad():  # 下面是没有梯度的计算,主要是测试集使用，不需要再计算梯度了
    model = ResNet18(ResidualBlock, [2, 2, 2, 2]).to(device)  # 调用网络
    model.eval()
    model_paras_path = './weights/resnet_params.pth'

分析：torch.no_grad()不会屏蔽dropout 和batch normalization，当网络采用batch normalization时，若只使用torch.no_grad()，不同的batchsize会造成不同的batch normalization结果，故影响测试精度，所以一定要用model.eval()