pytorch 踩坑
在pytorch中，如果你定义了没用的组件，同样也会影响你的模型(我也不知道从哪里影响的)，看一个例子
def _make_layer(self, block, planes, blocks, stride=1, dilate=False):
norm_layer = self._norm_layer
#downsample = None
previous_dilation = self.dilation
if dilate:
self.dilation *= stride
stride = 1
# if stride != 1 or self.inplanes != planes:
# downsample = layer.SeqToANNContainer(
# nn.Conv2d(self.inplanes, planes, kernel_size=1, stride=stride),
# norm_layer(planes),
# )
layers = []
layers.append(block(self.inplanes, planes, stride
))
self.inplanes = planes
for _ in range(1, blocks):
layers.append(block(self.inplanes, planes
))
return nn.Sequential(*layers)
这是传统的一个_make_layer，可以看到我把其中的downsample给注释掉了，他其实是个没用的组件，我之前也没管它，我没注释前，第一个epoch
注释后
就是他其实是不参与整体模型的，但是就是会影响，我估计是影响整体模型的初始化啥的了？说不定到最后等模型收敛了结果会是差不多的。。这里我就不验证了，如果有大神看到的话可以验证一下告诉我结果，感谢！！
动机是因为，我自己写了个pytorch网络结构，然后我想写成大家都在写的这种格式，就是都封装起来，结果我发现模型结构一样，为什么两个跑的结果不一样呢，初始化和随机种子我都设置了，于是我就想去找到底哪里有问题，后面就一步步的发现了这个问题，怎么说呢，虽然最后两边的结果还是有差异，但是不多，可能还是因为一些组件的定义、组件的顺序、以及其他很小的因素都会有影响，因此在这里劝大家代码还是要写规范，这样才和别人的baseline有的比~
我一天都在调这个bug，我就在想，两个同样结构的网络，我设置了同样的随机种子和初始化，怎么会结果不同呢？
经过我一天的实验发现，你网络层定义的位置，是否创建这个网络层，都会对结果有影响，例如，如果我的downsample是通过函数传递给basicblock和我直接在函数里定义downsample，那么这样跑出来的结果还是不一样，经过两个downsample定义的方式是一样的
最后希望大家不要想我一样硬钻牛角尖，因为这样其实到头来发现不是模型的问题而是本身pytorch的问题感觉有些浪费时间，但又希望大家可以适当的钻牛角尖，毕竟一切的结果都来源于大家的坚持
