Wyobraź sobie, że pracujesz z modelem w PyTorch i po przełączeniu go w tryb oceny eval() widzisz, że metryki na stałym zbiorze testowym z 10 000 przykładów zmieniają się przy każdym uruchomieniu. Ustawiasz początkowy stan generatorów losowych dla powtarzalności: gdzie jeszcze może ukrywać się źródło zmian? Wyjaśnij rolę Dropout, BatchNorm i torch.no_grad() i wymień metryki z progami, według których sprawdzisz stabilność wyników.