pytorch不'；我们不能给出预期的产出

首先，利用CNN模型对大量数据进行分类。然后，我尝试从第一步开始对正确分类的数据进行预测，预计准确率为100%。然而，我发现结果是不稳定的，有时99+%，但不是100%。有人知道我的代码有什么问题吗？提前非常感谢，这已经困扰了我好几天~~

火炬。版本

“0.3.1.post2”

将numpy导入为np
进口火炬
导入torch.nn作为nn
从torch.autograd导入变量
n=2000
data=np.random.randn（n，1，10，10）
label=np.random.randint（2，size=（n，））
def测试pred（模型、数据测试、标签测试）：
数据批次=数据测试
标签\批次=标签\测试
images=torch.autograd.Variable（torch.FloatTensor（数据批处理））
labels=torch.autograd.Variable（torch.FloatTensor（标签与批次））
输出=模型（图像）
_，预测=火炬最大值（输出数据，1）
correct=（np.array（predicted）=labels\u batch.sum（）
label_pred=np.数组（预测）
acc=正确/长度（标签测试）
打印（“acc:，acc）
返回acc，标签_pred
类别CNN（nn.模块）：
定义初始化（自）：
超级（美国有线电视新闻网，赛尔夫）。\uuuuu init\uuuuuuuu（）
self.layer1=nn.Sequential(
nn.Conv2d（1,16，内核大小=5，填充=2），
nn.2D（16），
nn.ReLU（），
nn.MaxPool2d（2））
self.layer2=nn.Sequential(
nn.Conv2d（16,32，内核大小=5，填充=2），
nn.2D（32），
nn.ReLU（），
nn.MaxPool2d（2））
self.fc=nn.线性（128，2）
def前进（自身，x）：
out=自身第1层（x）
out=自身。第2层（out）
out=out.view（out.size（0），-1）
out=self.fc（out）
返回
cnn=cnn（）
[\uu，label\u pred]=测试pred（cnn，数据，label）
打印（“附件：，np.平均值（标签_pred==标签））
#鉴于前一步中正确分类的数据，希望获得100%的准确率
#为什么有时不能给出100%的准确度？
打印（“使用选定的数据大小{}:”.format（数据[label_pred==label].shape））
_，u=test\u pred（cnn，数据[label\u pred==label]，label[label\u pred==label]）

输出：

acc:0.482

Acc:0.482

使用选定的数据大小（964,1,10,10）：

---

acc:0.997925311203195

似乎您没有将网络设置为评估模式，这可能会导致一些问题，尤其是BatchNorm层。做

cnn = CNN()
cnn.eval()

---

它应该能工作。

就是这样，我试过了，完美地解决了问题。非常感谢。