pytorch连续多次推理同样的数据，结果居然不一样？

在使用pytorch搭建自己的cnn网络，遇到了模型运行不稳定情况，即连续两次在同一个数据上用相同的模型推理，得到的结果会有细微的差异，这是为什么呢？

排查了一下原因，我这边的问题出在反卷积上。首先看下面的两个语句：

语句1：self.deconv1 = nn.ConvTranspose2d(in_channel, out_channel, kernel_size=4, stride=2, padding=1， output_padding=0， bias=False)

语句2：self.deconv1 = nn.ConvTranspose2d(in_channel, out_channel, kernel_size=5, stride=2, padding=2, output_padding=1, bias=False)

这两个语句都可以使特征上采用两倍。

根据经验，反卷积操作中，stride和ksize 不能整除时，会出现棋盘格现象，二维图像的时候更显著，所以语句1在消除棋盘格上表现更优。

但是在pytorch中，根据经验(可参考：https://blog.csdn.net/qq_41368247/article/details/86626446)，如果stride>1,一般将out_padding设置为stride-1，然而语句1中的output_padding却采用了默认参数0。

我在做实验过程中发现：语句1运行不够稳定，连续两次跑同样的模型，结果会有微小的差异，具体原因也可以从https://blog.csdn.net/qq_41368247/article/details/86626446中寻找答案，我认为主要原因是out_padding参数设置的问题。

如果语句1也设置output_padding为1呢？会出现反卷积生成的特征图大小不会正好上采样两倍（比两倍大小偏大）。但是语句2可能会出现棋盘格现象，那么怎么解决呢？

可以采用如下方法解决：

https://blog.csdn.net/cs_softwore/article/details/86593604

另，语句1是否可以out_padding=1，然后将特征大小裁剪为两倍大小呢？这个方法我没有尝试，有类似经验的小伙伴欢迎补充、指正。