Zamislite da radite s modelom u PyTorch-u i nakon što ga prebacite u režim evaluacije eval() vidite da se metrike na fiksnom testnom skupu od 10.000 primera menjaju pri svakom pokretanju. Fiksirate početno stanje generatora slučajnih brojeva radi reproduktivnosti: gde još može biti skriven izvor promena? Objasnite ulogu Dropout, BatchNorm i torch.no_grad() i imenujte metrike sa pragovima kojima ćete proveriti stabilnost rezultata.