同一MNIST模型在当前与外部模块测试精度不一致问题排查

我刚踩过一模一样的坑！你遇到的这个精度差异问题，根源其实很隐蔽——train.py里初始化CNN模型时没有传入is_training参数，导致你测试时在feed_dict里设置is_training=False根本没起作用，模型里的BatchNorm、Dropout这类依赖训练/测试模式的层还停留在训练状态，自然精度比正确切换到测试模式的test.py要低。

问题核心对比 #

先看两段代码的关键差异：

• 在train.py中初始化模型：

  y = cnn_model.CNN(x)  # 这里漏掉了is_training参数！
  

• 而test.py中正确初始化模型：

  y = cnn_model.CNN(x, is_training=is_training)  # 正确传入控制参数
  

你的CNN模型里肯定用到了Batch Normalization或者Dropout（不然不会有这么明显的精度差），这些层的行为完全由is_training开关控制：训练时要更新均值方差、启用dropout，测试时要固定均值方差、关闭dropout。但如果初始化模型时没把is_training参数传进去，后续再在feed_dict里传值也没用——模型计算图里根本没把这个占位符和层的行为绑定起来，相当于开关没接上，测试时还是按训练模式跑，所以精度掉了。

修复方案 #

把train.py里的模型初始化代码改成和test.py一致的写法（还要确保你已经在train.py里定义了is_training占位符）：

# train.py中补充定义占位符并修改模型初始化
is_training = tf.placeholder(tf.bool, name='MODE')
y = cnn_model.CNN(x, is_training=is_training)

修改后再在train.py里测试，精度就会和test.py一致了——因为现在模型能正确响应is_training=False的设置，切换到测试模式运行。

额外提醒 #

这种问题很容易被忽略，尤其是当模型结构封装在单独模块里的时候。记住：只要模型里有依赖训练/测试模式的层，初始化时一定要把控制模式的参数传进去，否则训练和测试的行为就会不一致，出现这种看似诡异的精度差异。

内容的提问来源于stack exchange，提问作者jasonKoolRay