解决：测试集上每次输出的结果不相同问题

1 原因

1. 可能在图片数据集加载时，shuffle设置为True了，需要改为False
2. 在模型中，一些层中Dropout，Normalization等具有随机性，需要设置一下种子
3. 没有开启net.eval()模式

2 解决方法

import 各种包
seed = 0 	# 设置一个种子，确保可以复现
torch.manual_seed(seed)
torch.cuda.manual_seed(seed)
torch.cuda.manual_seed_all(seed)  # if you are using multi-GPU.
np.random.seed(seed)  # Numpy module.
random.seed(seed)  # Python random module.
torch.manual_seed(seed)
torch.backends.cudnn.benchmark = False
torch.backends.cudnn.deterministic = True

def train():
	test_loader = DataLoader(dataset=test_dataset,batch_size=batch_size, shuffle=False, drop_last=False)
	
	net.eval()
	
	for i in range(epoch):
	   ...

1. seed设置
2. shuffle=False
3. net.eval() 打开

---

之所以每次在测试集上的结果不同的原因持续更新中。。。

---

3 评价指标计算方式代码

def Precision(predict, target): # 计算Precision
    if torch.is_tensor(predict):   # 模型本身有sigmoid函数
        predict = predict.data.cpu().numpy()
    if torch.is_tensor(target):
        target = target.data.cpu().numpy()
    total_pre = 0.0
    for i in range(predict.shape[0]):  # 这是batch_size的大小，计算这个batch_size中所有图片的precision
        pre_split = predict[i]
        tar_split = target[i]
        pre_split = pre_split.astype(numpy.bool) 
        tar_split = tar_split.astype(numpy.bool)
        tn = numpy.count_nonzero(~pre_split & ~tar_split)
        tp = numpy.count_nonzero(pre_split & tar_split)
        fn = numpy.count_nonzero(~pre_split & tar_split)
        fp = numpy.count_nonzero(~tar_split & pre_split)
        try:
            pre = tp / float(tp + fp)
        except ZeroDivisionError:
            pre = 0.0
        total_pre += pre

    return total_pre
total_pre = 0.0
for i, (image, label) in enumerate(test_loader): 
    ...
    total_pre += Precision(pred, label)
    ...
print(total_spe/len(test_dataset))  # 这里除的是图片的数量，而不是batch_size的数量。