Imagina que estás trabajando con un modelo en PyTorch y, después de convertirlo a modo evaluación eval(), ves que las métricas en un conjunto de prueba fijo de 10,000 ejemplos cambian en cada ejecución. Fijas el estado inicial de los generadores de números aleatorios para reproducibilidad: ¿dónde más podría estar oculto el origen de los cambios? Explica el papel de Dropout, BatchNorm y torch.no_grad() y nombra las métricas con umbrales con los que verificarás la estabilidad de los resultados.