PyTorch与DJL（Kotlin实现）加载TorchScript模型推理结果不一致问题咨询

• 预处理流水线和训练逻辑存在偏差
  逐行对照你原PyTorch训练、推理脚本里的预处理步骤，和当前Kotlin Pipeline的实现：
  • 当前代码的步骤是先执行CenterCrop(224,224)再执行Resize(224,224)，和绝大多数分类模型训练时的预处理顺序（先把图片短边Resize到256/232等大于224的尺寸，再做CenterCrop）完全相反。这种操作会直接从原始大图中心裁出224*224的区域再拉伸到目标尺寸，和训练时模型见过的图像分布偏差极大，是结果错位的高频诱因。
  • 核对归一化用的mean、std数值，必须和训练时实际使用的参数完全一致，不能直接套用ImageNet的通用归一化值，哪怕数值有微小偏差，经过模型层的计算放大后也会导致结果不匹配。
• 张量排布与通道顺序不匹配
  核对两个核心细节：
  • DJL图像读取默认输出RGB通道，需和训练时PyTorch的输入通道顺序完全对齐，如果训练时用OpenCV读图走的是BGR通道顺序，这里的通道排布、归一化参数都会完全错位。
  • DJL的PyTorch后端默认接收NCHW格式的输入张量，需确认Pipeline最终输出的张量维度顺序和训练时的模型输入维度完全匹配，没有出现通道维度放置错位的情况。
• Softmax计算重复叠加
  当前代码开启了optApplySoftmax(true)，需要对照导出的TorchScript模型计算图：如果模型导出时已经把Softmax层纳入了计算逻辑，再在Translator层额外叠加一次Softmax，会导致输出概率值和原生PyTorch的计算结果完全偏差，出现概率分布失真的问题。
• 类别映射顺序错位
  代码里通过optSynsetArtifactName("synset.txt")加载了类别映射文件，需要逐行核对文件内的类别顺序，和原生PyTorch推理时的输出索引顺序完全一致。如果顺序错位，哪怕模型输出的概率数值完全对齐，最终输出的分类标签也会和原生结果完全不符。
• 图像解码的细节差异
  对比DJL和原生PyTorch（默认用PIL库）的图像解码逻辑，排查是否存在这些差异：是否自动读取EXIF元数据修正图片旋转方向、是否在解码时对像素值做了额外的缩放/裁剪、Resize操作使用的重采样算法是否和PIL默认算法一致，任意解码环节的数值偏差都会累积到最终推理结果中。

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