这二者的功能是不同的：

• model.eval(): 告诉网络的所有层，你在eval模式，也就是说，像batchNorm和dropout这样的层会工作在eval模式而非training模式（如dropout层在eval模式会被关闭)。
• with torch.no_grad()： 这行代码会关闭自动求梯度模块，因此pytorch不会为代码块中涉及到的计算分配存储单元来存储梯度,这会节省存储空间，但你也理所当然没办法backward了。

在测试时，我们当然不需要分配空间存储梯度，因此用with torch.no_grad()会一定程度上节省存储空间。如果你的网络中包含batchNorm或者dropout这样在training,eval时表现不同的层，应当使用model.eval()。

另外需要注意的是，即便不使用with torch.no_grad()，在测试时也不会计算梯度，因为梯度只有在loss.backward()之后才会计算。with torch.no_grad()的作用是节省存储空间。

明白的铁铁把明白打在公屏上