PyTorch-те модельмен жұмыс істеп, оны бағалау режиміне (eval()) ауыстырғаннан кейін, 10 000 үлгіден тұратын тест жиынтығында метрикалар әр іске қосқанда өзгеретінін байқасаңыз, қай жерде басқа көздері болуы мүмкін? Dropout, BatchNorm және torch.no_grad() рөлін түсіндіріңіз, және нәтижелердің тұрақтылығын тексеру үшін қандай метрикалар мен шектерді қолданасыз?