self.trainingを使う

nn.Moduleを継承して作ったクラスのインスタンスはtraining属性を持っている。training属性は訓練モードであれば「True」、推論モードであれば「False」になる。

import torch
import torch.nn as nn

# nn.Moduleを継承してクラスを定義
class Network(nn.Module):
    pass

# Networkクラスのインスタンスを作成
model = Network()

↓訓練モードであれば「True」が出力される。

model.train()
print(model.training)
# 出力: True

↓推論モードであれば「False」が出力される。

model.eval()
print(model.training)
# 出力: False

これを使えば訓練モードと推論モードでモデルの挙動を変えることが出来る。特に意味はないが推論モードのときだけニューラルネットワークの出力を1000倍するようにしてみる。

# ニューラルネットワークを定義
class Network(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(5, 10)
        self.fc2 = nn.Linear(10, 1)
        self.activation = nn.ReLU()

    def forward(self, x):
        out = self.fc1(x)
        out = self.activation(out)
        # 訓練時と推論時で条件分岐
        if self.training:
            out = self.fc2(out)
        else:
            out = self.fc2(out)*1000
        return out

model = Network()

# モデルへの入力を適当に乱数で作成
input = torch.randn(5).view(1, -1)

↓訓練モードのときは「-0.3638」が出力される。

model.train()
print(model(input))
# 出力: tensor([[-0.3638]], grad_fn=<AddmmBackward0>)

↓推論モードのときは「-363.7650」が出力される。推論モードのときだけ出力が1000倍されている。

model.eval()
print(model(input))
# 出力: tensor([[-363.7650]], grad_fn=<MulBackward0>)