预测结果不一致主因是模型未关闭训练模式：Dropout和BatchNormalization在training=True时引入随机性；加载SavedModel或手动调用时易绕过默认training=False机制，且BN统计量未固化也会导致输出漂移。
预测结果不一致，大概率不是模型坏了，而是模型仍在训练模式下运行——Dropout 和 BatchNormalization 这两个层在 training=True 时会引入随机行为，哪怕你只做 model.predict()，只要没显式关掉训练模式，结果就可能每次不同。
为什么 model.predict() 还会触发 Dropout？
TensorFlow/Keras 的 predict() 默认以 training=False 调用，但这个行为仅对「标准 Keras 模型」有效。如果你是通过以下任一方式加载模型，就很可能绕过了该机制：
- 用
tf.keras.models.load_model()加载的 SavedModel，但其中自定义层未正确实现call(..., training=False)分支 - 用
tf.saved_model.load()加载后手动调用__call__()或signatures，而没传training=False - 模型里混用了原生
tf.nn.dropout（它没有自动切换逻辑），且调用时没硬编码rate=0.0
验证方法：打印模型中所有含 dropout 的层，检查其 training 参数是否被忽略。例如：
for layer in model.layers:
if 'dropout' in layer.name.lower():
print(f"{layer.name}: {layer.trainable}, has training arg? {hasattr(layer, 'call')}")
BatchNormalization 在推理时也会抖动？
会。如果 BN 层的 momentum 较低（如 0.99），且训练集小或 batch size 小，其移动均值/方差估计本身就带噪声；更关键的是：若模型保存时没固化 BN 统计量（即没在训练完调用 model.trainable = False 后再保存），那么加载后 BN 仍可能在 training=True 下更新统计量，导致输出漂移。
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
立即学习“Python免费学习笔记（深入）”；
安全做法：
- 训练结束前，执行
model.trainable = False，再调用一次model(input_batch)（空跑一遍）让 BN 统计量稳定 - 保存模型前，确认
model.save(..., include_optimizer=False)，避免残留训练状态 - 加载后，显式设
model.trainable = False，再做预测
如何快速验证并锁定波动源？
不用重训模型，三步定位：
- 固定全部随机种子：
tf.random.set_seed(42)、np.random.seed(42)、random.seed(42)—— 如果此时结果仍不一致，说明问题出在动态计算图或未冻结的统计量上 - 关闭所有可疑层：临时把模型中
Dropout层替换为tf.keras.layers.Lambda(lambda x: x)，BatchNormalization替换为tf.keras.layers.LayerNormalization（无训练态），再测预测一致性 - 对比 eager / graph 模式：在
@tf.function外直接调用模型，看是否比图模式更稳定——若图模式抖动更大，可能是tf.function内部缓存了不稳定的子图
最常被忽略的一点：模型加载后，model.trainable 是 True，但你以为它只是控制梯度；其实它也影响 BatchNormalization 是否更新统计量、Dropout 是否生效——这个布尔值同时作用于前向和反向，不能只当“训练开关”看。
