本文探讨了模型预测结果不稳定的原因，主要集中在数据预处理中的随机变换和测试过程未启用评估模式。数据预处理的随机操作可能导致训练集与测试集之间的差异，从而影响模型预测的准确性。同时，若未使用model.eval()，网络中的BN和Dropout等操作可能仍生效，进一步导致结果波动。理解并避免这些因素有助于提升模型的预测稳定性。
所有的原因可以归结为测试过程中出现了随机的情况，但随机发生的原因不一而论。
一、数据预处理使用随机变换操作
为了使模型更具鲁棒性，训练集数据的预处理往往会使用随机裁剪、随机水平垂直变换、随机仿射变换等数据增强手段，但在测试集数据的预处理过程务必避免随机操作的出现。
这会导致每次输入的数据存在一定的偏差，进而导致模型预测结果的偏差。这种情况下，模型准确率一般会在较小的范围波动。
二、测试过程未开启评估模式
即model.eval()，开启此模式才能使网络中的BN、Dropout等操作失效。
若遇其它情况，会持续添加总结内容！大家若遇到其它情况，也欢迎在评论区留言~
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
