Python 为什么在pytorch中保存和加载模型权重后会得到不同的结果？

我写了一个模型，架构如下：

CNNLSTM（
（cnn）：CNNText（
（嵌入）：嵌入（19410300，padding_idx=0）
（convs1）：模块列表（
（0）：Conv2d（1,32，内核大小=（3300），步幅=（1,1））
（1） ：Conv2d（1,32，内核大小=（5300），步幅=（1,1））
（2） ：Conv2d（1,32，内核大小=（7300），步幅=（1,1））
)                                                                                                                                                                                     
（辍学）：辍学（p=0.6）
（fc1）：线性（输入特征=96，输出特征=1，偏差=真）
)                                                                                                                                                                                       
（lstm）：RNN（
（嵌入）：嵌入（19410300，padding_idx=0）
（rnn）：LSTM（300、150，批次_第一个=真，双向=真）
（注意）：注意（
（密集）：线性（输入特征=300，输出特征=1，偏差=真）
（谭）：谭（）
（softmax）：softmax（）
)                                                                                                                                                                                     
（fc1）：线性（输入特征=300，输出特征=50，偏差=真）
（辍学）：辍学（p=0.5）
（fc2）：线性（输入特征=50，输出特征=1，偏差=True）
)                                                                                                                                                                                       
（fc1）：线性（输入特征=146，输出特征=1，偏差=真）
)

我在同一个数据集上使用了不同的RNN和CNN，并保存了权重。在混合模型中，我使用以下函数加载权重：

def load\u pretrained\u权重（self，model='cnn'，path=None）：
如果模型不在['cnn'，'rnn']中：
raise AttributeError（“模型必须为rnn或cnn”）
如果模型==“cnn”：
self.cnn.load\u state\u dict（火炬加载（路径））
如果模型=='rnn'：
自我第一次加载状态指令（火炬加载（路径））

并使用以下功能冻结子模块：

def冻结（自）：
对于self.cnn.parameters（）中的p：
p、 需要_grad=False
对于self.lstm.parameters（）中的p：
p、 需要_grad=False

然后对模型进行训练，与训练后的各子模块相比，得到了更好的结果 单独评估。 我在epoch循环中使用了提前停止技术来保存最佳参数。 训练后，我为同一个类创建了一个新实例，当我加载保存的“最佳”参数时，我没有得到类似的结果。 我在每个子模块（这里是RNN和CNNText）上都做了同样的尝试，效果很好。但在这种情况下，它并没有提供相同的性能

请帮我理解这里发生了什么。我不熟悉深度学习的概念。 多谢各位

我尝试了几个实验：

我装上了救下的小薇

model.load_pretrained_weights('rnn', 'models/bilstm_2_atten.pth')
model.load_pretrained_weights('cnn', 'models/cnn2.pth')

model.freeze()

torch.save(model.state_dict(),path)

state_dict = torch.load(MODEL_PATH)
model.load_state_dict(state_dict)