1. 问题描述

2. 问题猜想

问题猜想1是：

训练模型的时候，采用了

model.train()

在测试模型和使用模型的时候也使用了：

model.eval()

问题猜想2是：

当时猜想是不是在使用模型的时候参数变化了，所以使用了：

with torch.no_grad():

后来还不放心，把所有可导的模型参数全部设定为不可导，使用：

for param in graphrec.parameters():
   print("param.requires_grad:{}".format(param.requires_grad))
   param.requires_grad = False
   print("param.requires_grad:------>{}".format(param.requires_grad))

问题猜想3是：

怀疑是随机种子的问题，把所有能固定的随机种子都固定了

def set_seed(seed):
    random.seed(seed)
    np.random.seed(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)
    torch.cuda.manual_seed_all(seed)
    torch.backends.cudnn.deterministic = True
    torch.backends.cudnn.benchmark = False

只要遇到我就设定一下

问题猜想4是： 怀疑是数据分批之后打乱的问题，设定了半天，也没有用

train_loader = torch.utils.data.DataLoader(train_set, batch_size=args.batch_size, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_set, batch_size=args.test_batch_size, shuffle=False)
update_loader = torch.utils.data.DataLoader(update_set, batch_size=args.other_batch_size, shuffle=False)

3. 实际存在的Bug

实际存在的问题是我在构建正负样本集的时候，固定了随机种子

SEED = 101
random.seed(SEED)
rand = random.random
lst_zeros_add = random.sample(lst_zeros, k=len_zeros_add)

最后的结果导致，第一个样本集训练测试的很好，后面的样本集测试效果很糊。

4. 解决方案

把构建样本的随机种子去掉，真正的随机

rand = random.random
lst_zeros_add = random.sample(lst_zeros, k=len_zeros_add)