為什么多次預(yù)測結(jié)果不一致

1、檢查是否在每次預(yù)測前使用

model.eval()

或者是

with torch.no_grad():
for ...

推薦下面的方法，上面的的方法計算梯度，但是并不反向傳播，下面的方法既不計算梯度，也不反向傳播，速度更快。

2、檢查是否取消了所有的dropout

3、設(shè)置隨機(jī)種子

def setup_seed(seed):
 np.random.seed(seed)
 random.seed(seed)
 torch.manual_seed(seed) #cpu
 torch.cuda.manual_seed_all(seed)  #并行g(shù)pu
 torch.backends.cudnn.deterministic = True  #cpu/gpu結(jié)果一致
 torch.backends.cudnn.benchmark = True#訓(xùn)練集變化不大時使訓(xùn)練加速

4、保證實例化模型前要將is_training置為false；這兩行代碼順序不能顛倒

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持本站。

香港服務(wù)器租用

版權(quán)聲明：本站文章來源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學(xué)習(xí)參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。