dropout层在预测阶段未调用model.eval()会导致输出波动，因其仍按训练逻辑随机丢弃神经元；其行为由self.training标志控制，true时置零缩放，false时直通；f.dropout需显式传training=false，dataparallel/ddp需对module调eval()。
Dropout层在预测阶段不调用model.eval()，结果必然波动——它不是“失效”，而是按训练逻辑继续随机丢弃。
Dropout行为完全由self.training标志控制
PyTorch的nn.Dropout本身不保存状态，它只在self.training == True时执行随机置零+缩放；否则直接返回输入（无任何计算）。这个判断来自模型顶层的training属性，并递归影响所有子模块。
- 训练循环中漏写
model.train()→ Dropout全程透明，正则化失效 - 验证/预测前没调
model.eval()→ Dropout仍每轮随机丢一半，相同输入输出不同 - 手动设
model.training = False虽可跳过Dropout，但不会同步冻结BatchNorm的running_mean/running_var，不推荐
F.dropout函数不自动读取模型状态，必须显式传参
如果你在forward里用了torch.nn.functional.dropout（比如自定义层或动态Dropout），它和nn.Dropout不同：不感知model.training，必须手动加training=False。
Claw Code Suite (Python-Only Edition)
下载
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
- 错误写法：
F.dropout(x, p=0.5)—— 即使在model.eval()下也随机丢弃 - 正确写法：
F.dropout(x, p=0.5, training=False) - 注意：
training参数类型是bool，不能传None或省略
模型被DataParallel或DistributedDataParallel包装时，eval()要作用到内层
直接对包装后的模型调model.eval()，只会设置包装器自身的training标志，底层真实模型仍处于train模式。
- 检查方式：
print(model.training)为False，但print(model.module.training)可能仍是True - 正确做法：用
model.module.eval()（单机多卡）或model.module.eval()（DDP） - 若不确定是否被包装，可统一用
getattr(model, 'module', model).eval()
真正稳定的预测，不止靠model.eval()——Dropout只是表象，背后还连着BatchNorm统计量、cuDNN算法、数据加载顺序、随机种子四个强依赖项。少锁一个，波动就藏在你以为“已经搞定”的地方。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
