-------------------------model.eval()
在PyTorch中，model.eval()是一个模型对象的方法，用于将模型设置为评估模式。当模型处于评估模式时，它会在前向传递期间禁用某些操作，如丢弃（dropout）和批量归一化（batch normalization），以确保模型的输出稳定性。
具体来说，model.eval()方法会将模型中的training属性设置为False，这将使在训练过程中启用的一些操作被禁用。例如，在卷积神经网络中，丢弃操作会在训练期间随机将一些神经元的输出设置为0，以减少过拟合。但是，在评估期间，我们不希望丢弃任何神经元，因为这可能会影响模型的输出。因此，在评估期间，我们需要禁用丢弃操作，以确保模型输出的稳定性。
另外，评估期间还会禁用批量归一化操作。批量归一化通常用于在训练期间规范神经网络中的输入数据，以加速收敛和提高模型的性能。但是，在评估期间，我们不需要规范输入数据，因为我们希望模型能够接收到原始的、未经处理的输入数据。
model.eval()方法用于将模型设置为评估模式，以确保模型的输出稳定性和一致性。在调用model.eval()方法之后，可以使用模型进行预测或测试。通常，在评估结束后，我们需要使用model.train()方法将模型重新设置为训练模式。
-------------------------model.train
在PyTorch中，model.train()是一个模型对象的方法，用于将模型设置为训练模式。当模型处于训练模式时，它会启用某些操作，如丢弃（dropout）和批量归一化（batch normalization），以帮助模型更好地适应训练数据。
具体来说，model.train()方法会将模型中的training属性设置为True，这将使在训练过程中启用的一些操作被启用。例如，在卷积神经网络中，丢弃操作会在训练期间随机将一些神经元的输出设置为0，以减少过拟合。在训练期间，我们希望模型尽可能适应训练数据，并尝试学习如何准确地预测输出。因此，在训练期间，我们需要启用丢弃操作，以增加模型的泛化性能。
另外，在训练期间也需要启用批量归一化操作。批量归一化通常用于规范神经网络中的输入数据，以加速收敛和提高模型的性能。在训练期间，我们需要规范输入数据，以确保神经网络的训练过程更加稳定和高效。
model.train()方法用于将模型设置为训练模式，以帮助模型更好地适应训练数据。在调用model.train()方法之后，可以使用模型进行训练。在训练结束后，我们通常需要使用model.eval()方法将模型设置为评估模式，以确保模型的输出稳定性和一致性。
--------------多次调用
在PyTorch中，如果已经将模型设置为评估模式（即使用了model.eval()方法），再次调用model.eval()方法不会引发错误，但是也不会产生任何影响。
因为model.eval()方法只是将模型中的training属性设置为False，以禁用一些操作，以确保模型输出的稳定性。如果模型已经处于评估模式，即training属性已经为False，再次调用model.eval()方法不会改变模型的状态。在这种情况下，调用model.eval()方法不会引发错误，但也不会产生任何影响。
