一句话定义：训练模式（Train Mode）和推理模式（Eval / AI 词典：Inference">Inference Mode）是深度学习框架为模型设置的两种运行状态开关。model.train() 让模型进入“学习”状态，model.eval() 让它进入“使用”状态。参数本身不变，但部分层的行为会变。
为什么需要两个模式
有些层在“排练”和“正式演出”时的行为本就该不同。
以 Dropout 为例：训练时它按概率随机把一部分神经元的输出置零，强迫网络不依赖某几个固定神经元，从而抑制过拟合。这就像排练时故意随机换人上场。但正式演出不能这么干：如果推理时还随机丢弃，同一个输入跑两次会得到两个不同答案，而且输出整体会偏小。
再看 批归一化（Batch Normalization, BN）：训练时它用“当前这一批数据”的均值和方差做归一化，同时把历史统计量累积到 running_mean / running_var 里。推理时没有“训练批次”这个概念了，必须改用积累下来的历史统计量。否则，同一张图片单独预测和放进不同批次里预测，结果会不一样——因为批次里其他人的数据影响了它的归一化。
两种模式的对比
| 组件 | 训练模式 train() | 推理模式 eval() |
|---|---|---|
| Dropout | 按概率随机置零 | 完全关闭，全部神经元参与 |
| BatchNorm | 用当前 batch 统计量，并更新 running 统计 | 用 running 统计量，不再更新 |
| 梯度计算 | 默认记录 | 默认仍记录，需配合 torch.no_grad() 才省显存 |
| 参数 | 会被优化器更新 | 不会被更新（除非你手动改） |
容易混淆的相邻概念
model.eval()与torch.no_grad()是两件事：前者改变层的行为，后者只关掉梯度记录以省内存。做推理时通常两个都要，但谁也替代不了谁。model.eval()不等于冻结参数，它只是切换状态；要冻结得另外设置requires_grad。- 把 Dropout 的概率设成 0 也不等价于 eval 模式，BN 的行为依然不同。
对从业者的实际意义
最常见的坑是：训练脚本跑完，直接拿模型去做验证或上线，忘了切 eval()。症状很有迷惑性——指标在小数点后抖动、同样的请求两次返回不同答案、线下复现不出线上结果。排查时优先检查这一点。
实践上的两条纪律：一是在验证、测试、导出、部署前，显式调用一次 eval()；二是在训练循环里，验证结束后记得切回 train()，否则后续训练相当于悄悄关掉了正则化。不同框架的具体 API 与默认行为略有差异，以官方文档为准。