Pytorch：将 VGG 模型转换为顺序模型，但得到不同的输出答案

【问题标题】：Pytorch: Converting a VGG model into a sequential model, but getting different outputsPytorch：将 VGG 模型转换为顺序模型，但得到不同的输出
【发布时间】：2021-03-18 09:05:10
【问题描述】：

背景： 我正在研究一种对抗检测器方法，该方法需要访问每个隐藏层的输出。我从torchvision.models 加载了一个预训练的 VGG16。

为了访问每个隐藏层的输出，我将其放入顺序模型中：

vgg16 = models.vgg16(pretrained=True)

vgg16_seq = nn.Sequential(*(
    list(list(vgg16.children())[0]) + 
    [nn.AdaptiveAvgPool2d((7, 7)), nn.Flatten()] + 
    list(list(vgg16.children())[2])))

没有nn.Flatten()，转发方法会抱怨mat1和mat2之间的尺寸不匹配。

我查看了 torchvision VGG 实现，它使用 [feature..., AvgPool, flatten, classifier...] 结构。由于AdaptiveAvgPool2d 层和Flatten 层没有无参数，我认为这应该可以工作，但我有不同的输出。

output1 = vgg16(X_small)
print(output1.size())
output2 = vgg16_seq(X_small)
print(output2.size())
torch.equal(output1, output2)

问题：它们的维度相同，但输出不同。

torch.Size([32, 1000])
torch.Size([32, 1000])
假的

我在AdaptiveAvgPool2d 层之后测试了输出，输出是相等的：

output1 = nn.Sequential(*list(vgg16.children())[:2])(X_small)
print(output1.size())
output2 = nn.Sequential(*list(vgg16_seq)[:32])(X_small)
print(output2.size())
torch.equal(output1, output2)

torch.Size([32, 512, 7, 7])
torch.Size([32, 512, 7, 7])
是的

有人能指出哪里出了问题吗？谢谢

【问题讨论】：

标签： python neural-network computer-vision pytorch

【解决方案1】：

在进行推理之前，您需要调用 eval 模式。

即

vgg16.eval()
vgg16_seq.eval()

【讨论】：

谢谢。有用。你能解释一下为什么吗？如果模式错误，为什么nn.Sequential(*list(vgg16.children())[:2])(X_small) 和nn.Sequential(*list(vgg16_seq)[:32])(X_small) 得到相同的输出？
我认为这很可能是由于 dropout（在第 35 层和第 38 层中），因为默认情况下它在训练模式下启用，但我们不希望它在推理中启用（在评估模式下禁用）。阅读更多here。