Stel je voor dat je werkt met een model in PyTorch en nadat je het hebt gezet in eval() modus, zie je dat de metrics op een vaste testset van 10.000 voorbeelden bij elke run veranderen. Je fixeert de initiële staat van de random number generators voor reproduceerbaarheid: waar kan de bron van de veranderingen nog meer verborgen zijn? Leg de rol uit van Dropout, BatchNorm en torch.no_grad() en noem de metrics met drempels waarmee je de stabiliteit van de resultaten zult controleren.