PyTorch模型加载后推理结果不一致？

在PyTorch模型部署过程中，常出现“模型加载后推理结果不一致”的问题。即训练时推理结果正常，但保存并重新加载模型后，相同输入得到的输出存在差异。此问题常见原因包括：1）模型未正确设置为评估模式（model.eval()），导致Dropout或BatchNorm层行为不一致；2）模型保存或加载方式不当，如未使用torch.save(model.state_dict())或加载时未正确映射设备；3）自定义模型中存在未注册的子模块或缓冲区；4）多卡训练后保存的模型未正确处理DataParallel或DistributedDataParallel封装。此类问题直接影响模型部署的可靠性，需系统排查模型结构、保存加载流程及推理环境一致性。