Machine learning 加载Pyrotch模型，测试精度下降

我有一个PyTorch模型，它的测试准确率约为95%-97%。我使用torch.save（my_model.state_dict（），PATH）保存它，但每当我尝试使用

my_model.load_state_dict（torch.load（PATH））

重新加载它时，我都会尝试使用

test_fn（my_model）

在相同的数据上测试它，测试精度会下降到0.06%左右。我正在尝试遵循建议的序列化语义（）

无论我是否使用我的_model.eval（），都会发生这种情况（尽管通过default，我不会将其用于培训或测试）。我需要多走一步吗

在代码中，这看起来像：

my_model = GraphConv(w2i, p2i, l2i, r2i, s2i, words, pos, lems, 512, 512, 3) ## Initialise model & params
my_model.cuda()
loss_function = nn.NLLLoss()
optimizer = optim.Adam(my_model.parameters(), lr=0.001)

for epoch in range(15):
    ...   ### Apply training steps
    print(test_fn(my_model))  ### Will be over 95%
    torch.save(my_model.state_dict(), PATH)

...
my_model2 = GraphConv(w2i, p2i, l2i, r2i, s2i, words, pos, lems, 512, 512, 3) ## Initialise new model
my_model2.load_state_dict(torch.load('PATH'))
print(test_fn(my_model2))  ### Is about 0.06%

---

您确定要在数据中应用相同的预处理步骤吗？请与我们分享有关您的过程的更多详细信息。在计算精度（两种情况下）时，是否使用

model.eval（）

标志？你为什么不直接用

net=torch.load（checkpoint）

加载网络？你能分享一下你的代码吗？我已经编辑了我的原始问题，加入了一些代码。我也有同样的问题。我在训练模型时验证了数据预处理是相同的。尽管如此，精确度还是有所下降。有什么想法吗？