论文方法复现不出来，应该先检查什么
很多人在做 AI 论文复现时，都会遇到类似的问题：
论文里的模型结构看起来很清楚，代码也能运行，但最终结果就是对不上。
有的是训练 Loss 一直不下降，有的是准确率明显低于论文，有的是训练过程正常，测试结果却差距很大。
遇到这种情况，先别急着修改网络结构，也不要一上来就换模型。
论文复现失败，首先要排查的往往不是模型本身，而是实验条件是否真正对齐。
实际排查时，建议按照下面 6 个环节逐步检查：
1. 检查数据集是否一致
首先确认数据集版本、样本数量、训练集与测试集划分是否一致。
尤其需要注意：
是否使用了相同的数据预处理方式？
是否存在数据增强差异？
标签编码和类别映射是否一致？
是否存在数据泄漏？
数据处理上的细微差异，都可能影响最终实验结果。
2. 检查模型结构是否真正复现
不要只看论文中的网络结构图。
需要进一步确认：
网络层数和通道数是否一致？
卷积核、步长、Padding 是否一致？
激活函数和归一化层是否一致？
残差连接、注意力模块是否正确实现？
有时候整体框架看起来一样，但某个模块的实现细节不同，就可能造成结果偏差。
3. 检查损失函数与优化器
这是非常容易被忽略的环节。
需要重点核对：
Loss 的具体计算方式
Optimizer 类型
Learning Rate
Weight Decay
Batch Size
学习率调度策略
特别是学习率，如果初始设置或衰减策略不同，可能直接影响模型的收敛情况。
4. 检查训练策略是否一致
论文复现不只是把模型搭出来，还要还原完整的训练流程。
例如：
训练 Epoch 是否一致？
是否使用预训练权重？
是否存在 Warmup？
是否使用 Early Stopping？
随机种子是否固定？
如果训练策略没有对齐，就不能直接拿最终指标进行比较。
5. 检查评估指标与测试流程
模型训练完成，不代表实验结果就能直接对比论文。
需要确认：
Accuracy、Precision、Recall、F1 的计算方式是否一致？
是否使用相同的测试集？
测试时是否正确切换 eval 模式？
是否加载了最佳模型权重？
是否存在测试阶段的数据预处理差异？
尤其要注意，训练指标和测试指标不能混为一谈。
6. 检查代码实现与运行环境
如果前面都没有发现明显问题，再进一步检查工程实现。
包括：
PyTorch、CUDA 等版本差异
张量维度与数据类型
梯度是否正常传播
是否存在 NaN 或 Inf
模型参数是否正确更新
GPU 与 CPU 运行结果是否存在异常
论文复现 深度学习 机器学习 算法复现