Φανταστείτε ότι εργάζεστε με ένα μοντέλο σε PyTorch και μετά την μετατροπή του σε λειτουργία αξιολόγησης eval() βλέπετε ότι τα μετρικά σε ένα σταθερό σύνολο δοκιμών 10.000 παραδειγμάτων αλλάζουν σε κάθε εκτέλεση. Ορίζετε την αρχική κατάσταση των γεννητριών τυχαίων αριθμών για αναπαραγωγιμότητα: πού αλλού μπορεί να κρύβεται η πηγή των αλλαγών; Εξηγήστε το ρόλο του Dropout, BatchNorm και torch.no_grad() και ονομάστε τα μετρικά με τα όρια με τα οποία θα ελέγξετε τη σταθερότητα των αποτελεσμάτων.