Pytorch下Unet验证集与测试集相同但PSNR结果差异较大问题咨询

你的代码存在多处逻辑错误，按影响程度从高到低列示如下：

1. 验证阶段PSNR计算完全未使用模型输出 #

验证循环中，你计算PSNR的入参是验证集的两个原始数据字段data[0]和data[1]，完全没有传入模型推理结果out，得到的PSNR是输入数据和标签的原始差值，和模型性能无关，自然和加载模型后测试得到的真实模型输出PSNR不匹配：

# 错误代码片段
for idx, data in enumerate(testDataLoader):
    out = model(data[1])
    psnr = compare_psnr(data[0], data[1]) # 此处未使用out，计算结果和模型无关

修复时需要将模型输出out和对应真值传入PSNR计算函数，同时累加所有batch的结果计算整个验证集的平均PSNR，不能直接用单个batch的结果代表整个验证集的指标：

# 修复后的验证计算逻辑
model.eval()
total_psnr = 0.0
sample_count = 0
with torch.no_grad(): # 关闭梯度计算，减少显存占用、加速推理
    for idx, data in enumerate(testDataLoader):
        # 注意输入、真值、模型要放在同一个设备（CPU/GPU）上
        input_x = data[1].to(device)
        gt = data[0].to(device)
        out = model(input_x)
        # 计算当前batch PSNR，注意将tensor转到CPU、转为numpy格式，data_range和图像像素范围对齐（归一化到0-1填1.0，0-255填255）
        batch_psnr = compare_psnr(
            gt.detach().cpu().numpy(),
            out.detach().cpu().numpy(),
            data_range=1.0
        )
        total_psnr += batch_psnr * input_x.shape[0]
        sample_count += input_x.shape[0]
avg_psnr = total_psnr / sample_count # 整个验证集的平均PSNR，作为最优模型判断依据

2. 模型评估模式切换API调用错误 #

PyTorch没有内置model.val()方法，切换评估模式的正确接口是model.eval()。
虽然你使用的UNet没有BN和Dropout层，两种模式下前向计算结果理论上一致，但如果网络包含自定义层、其他对模式敏感的层（比如带可学习参数的InstanceNorm），错误的模式切换会直接导致推理结果偏差。每轮训练开始前也要记得调用model.train()切回训练模式，避免影响参数更新。

3. 最优模型保存逻辑存在漏洞 #

• 变量名不一致：你初始定义的最优PSNR变量是msxpsnr，判断时用了未定义的maxpsnr，会直接触发运行错误，建议统一变量名，初始值设为负无穷best_psnr = -float('inf')，避免PSNR为负时判断失效。
• 指标取值错误：原有逻辑中psnr变量每次循环都会被当前batch的结果覆盖，最终只保留验证集最后一个batch的PSNR，不是全局指标，会导致保存非最优模型。
• 保存接口缺参数：torch.save(model.state_dict())没有传入保存路径，实际运行会报错，需要补充路径参数，比如torch.save(model.state_dict(), 'best_model.pth')。

4. 测试阶段一致性校验项 #

修复以上问题后如果仍存在微小数值差异，逐一排查以下配置：

• 测试时必须调用model.eval()，并用torch.no_grad()包裹推理流程
• 验证、测试阶段的数据预处理、后处理逻辑完全一致：包括归一化范围、通道顺序（RGB/BGR）、维度转换顺序、图像量化位深等
• 验证和测试的DataLoader必须关闭shuffle，同时关闭所有随机数据增强逻辑，保证输入数据完全一致
• 调用compare_psnr时的参数完全一致，尤其是data_range参数必须和像素值范围匹配，参数错配会导致PSNR出现固定偏差

内容的提问来源于stack exchange，提问作者Haio Liang