Modes d’entraînement et d’évaluation
Pourquoi model.train() et model.eval() diffèrent.
Modes d’entraînement et d’évaluation est une leçon Deep Learning Academy gratuite sur CoddyKit. Ceci est la leçon 4 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Deep Learning Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Deep Learning Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
A Model Has Two Faces
Your network behaves differently while learning than while being tested. PyTorch calls these two states train mode and eval mode. 🎭
Flip Into Train Mode
Before training you call model.train. This tells every layer to behave the way it should while the model is actively learning from data.
model.train()Flip Into Eval Mode
Before validating or predicting you call model.eval. Now the network switches to its steady, deterministic behavior for honest measurement.
model.eval()Dropout Cares
Dropout randomly zeros neurons during training to prevent overfitting. In eval mode it turns fully off so every neuron contributes to the prediction.
Batch Norm Cares Too
Batch norm uses each batch's statistics while training but switches to stored running averages at eval time for stable, consistent outputs.
It Is Only a Switch
These calls do not train or test anything by themselves. They simply flip a flag that tells dropout and norm layers which behavior to use.
Eval Is Not no_grad
A common mix-up: eval changes layer behavior, while no_grad stops gradient tracking. They solve different problems, so you usually use both together.
model.eval()
with torch.no_grad():
pred = model(x)Forgetting eval Hurts
If you validate without eval, dropout and batch norm keep their training behavior. Your scores turn noisy and look worse than the model really is.
Forgetting train Hurts
The reverse bites too: leave the model in eval and dropout never activates, so its regularization silently vanishes during training.
Build It Into the Loop
Make the switch a habit: set train before the training pass and eval before validation, every single epoch, so the model never stays in the wrong mode.
for epoch in range(epochs):
model.train()
# ... train ...
model.eval()
# ... validate ...Small Call, Big Effect
Two tiny calls, yet they decide whether your metrics are trustworthy. Treat the mode switch as a non-negotiable part of every loop.
Quick Check
What does calling model.eval() actually change?
Recap
You learned the two modes: train activates dropout and batch stats, eval makes them deterministic. Switch every epoch and pair eval with no_grad. 🎉
Questions Fréquemment Posées
La leçon « Modes d’entraînement et d’évaluation » est-elle gratuite ?
Oui — le texte complet de « Modes d’entraînement et d’évaluation » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Deep Learning Academy, passe à CoddyKit PRO. Le cours Deep Learning Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Modes d’entraînement et d’évaluation » ?
Pourquoi model.train() et model.eval() diffèrent. Tu pratiques Deep Learning Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Deep Learning Academy ?
Aucune expérience préalable n'est requise. Deep Learning Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 4 sur 4.
Combien de temps prend la leçon « Modes d’entraînement et d’évaluation » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Deep Learning Academy ?
Oui. Chaque leçon Deep Learning Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Passage avant, perte, rétropropagation, mise à jour
- Écrire une boucle d’entraînement minimale
- Suivre la précision pendant l’entraînement
- Modes d’entraînement et d’évaluation