i=1
def f():    global ii= 2

1. model.eval()，不启用 BatchNormalization 和 Dropout。此时pytorch会自动把BN和DropOut固定住，不会取平均，而是用训练好的值。不然的话，一旦test的batch_size过小，很容易就会因BN层导致模型performance损失较大
2. model.train() ：启用 BatchNormalization 和 Dropout。 在模型测试阶段使用model.train() 让model变成训练模式，此时 dropout和batch normalization的操作在训练q起到防止网络过拟合的问题。

1. model.train():
   1. 在train模式下，dropout网络层会按照设定的参数p设置保留激活单元的概率（保留概率=p);
   2.  batchnorm层会继续计算数据的mean和var等参数并更新
2. model.eval(）：
   1. 在PyTorch中进行validation时，会使用model.eval()切换到测试模式
   2. model.eval()主要用于通知dropout层和batchnorm层在train和val模式间切换。
   3. 在val模式下，dropout层会让所有的激活单元都通过，而batchnorm层会停止计算和更新mean和var，直接使用在训练阶段已经学出的mean和var值
   4. 该模式不会影响各层的gradient计算行为，即gradient计算和存储与training模式一样，只是不进行反传（backprobagation）。
3. 使用 with torch.no_grad()
   1. 主要是用于停止autograd模块的工作，以起到加速和节省显存的作用，具体行为就是停止gradient计算，从而节省了GPU算力和显存，但是并不会影响dropout和batchnorm层的行为。
   2. 如果不在意显存大小和计算时间的话，仅仅使用model.eval()已足够得到正确的validation的结果；而with torch.no_grad()则是更进一步加速和节省gpu空间（因为不用计算和存储gradient），从而可以更快计算，也可以跑更大的batch来测试。

if mel_outputs.size()[1]!=tts_seqs.size()[1]:b_size=tts_seqs.size()from torchvision.transforms import Resize torch_resize = Resize([b_size[1],b_size[2]]) # 定义Resize类对象，只能指定修改最后的两个维度，可以借助transpose巧妙使用mel_outputs = torch_resize(mel_outputs)mel_outputs_postnet = torch_resize(mel_outputs_postnet)