在训练和测试阶段行为差距较大的层，常用的有：batchnorm、dropout、instancenurm等。i其中，nstancenorm是在一个channel中做归一化，算H*W的均值，用在风格化迁移。可以加速模型的收敛，并且保持每个图像实例之间的独立。
对于这种有较大差距的层的使用，需要在测试阶段将training的值设置为False，否则会有很大的影像 。将每层中的参数training设置为TRUE/FALSE较为繁琐，常用的就是model.train() and model.eval()
两者的用法与区别：
*** 两者分别作用在训练和测试阶段的开头位置，model.train() 表示启动batchnorm、dropout、instancenorm功能，model.eval()表示直接调用上述层已经训练好的参数来对测试集进行预测。
如果在测试阶段没有加model.eval(),可能会因test的batch_size过小，很容易就会被BN层导致生成图片颜色失真极大
用法示例如下：
