Deep learning 保存和加载模型后，Pyrotch中的结果不可再现

保存并加载模型后，我无法在PyTorch中重现结果，而内存中的模型按预期工作。仅出于上下文考虑，我正在为我的库设定种子，使用model.eval关闭辍学者，但结果仍然不可复制。如果我遗漏了什么，有什么建议吗。提前谢谢

我正在使用的库：-

import matplotlib.pyplot as plt
import torch
from torch import nn
from torch import optim
import torch.nn.functional as F
from torchvision import datasets, transforms
import numpy as np
import random

我正在播种的图书馆

manualSeed = 1
np.random.seed(manualSeed)
random.seed(manualSeed)
torch.manual_seed(manualSeed)
random.seed(manualSeed)

下面是内存和加载模型的结果

In Memory model Loss : 1.596395881312668, In Memory model Accuracy : tensor(0.3989)
Loaded model Loss : 1.597083057567572, Loaded model Accuracy : tensor(0.3983)

论不可再现性 这些值非常接近，所以它们不是不可复制的，误差是相当大的

发件人：

有一些PyTorch函数使用CUDA函数，可以是 非决定论的根源。其中一类CUDA函数是原子函数 操作，特别是atomicAdd，其中 相同值的加法是不确定的，对于浮点 变量，结果中的方差来源

模型越复杂，基于函数的随机方差发生的几率就越大，使用原子加法（atomicAdd）纯粹是巧合，本质上存在一些你无法克服的内在方差

提高CUDA的再现性 我假设您正在GPU上运行推理，您也应该使用这两个函数：

torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmark = False

请记住，在进行推理之前，以相同的方式对两种结果进行排序，您应该会看到结果彼此更接近。

关于不可再现性 这些值非常接近，所以它们不是不可复制的，误差是相当大的

发件人：

有一些PyTorch函数使用CUDA函数，可以是 非决定论的根源。其中一类CUDA函数是原子函数 操作，特别是atomicAdd，其中 相同值的加法是不确定的，对于浮点 变量，结果中的方差来源

模型越复杂，基于函数的随机方差发生的几率就越大，使用原子加法（atomicAdd）纯粹是巧合，本质上存在一些你无法克服的内在方差

提高CUDA的再现性 我假设您正在GPU上运行推理，您也应该使用这两个函数：

torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmark = False

---

请记住，在进行推理之前，以相同的方式对这两个模型进行种子设定，您应该会看到结果彼此更加接近。

请发布更多的上下文或代码示例，详细介绍模型以及与内存模型的差异。@amdex我添加了一些小代码和结果。请让我知道我是否应该让它更具信息性。谢谢。如果你能添加模型定义，不管你是否在GPU上运行它都会很好。这也有助于您输出更多的上下文或代码示例、模型的详细信息以及与内存模型的差异。@amdex我添加了一些小代码和结果。请让我知道我是否应该让它更具信息性。谢谢。如果你能添加模型定义，不管你是否在GPU上运行它都会很好。这也有助于你走出困境