问题描述：

训练好模型后，单个样本预测的结果，和多个样本批量预测的结果不一样，有时候差异较小，有时候差异较大。

如下图所示，使用 LSTM 做了个 DGA（恶意域名）识别的任务，属于二分类。在输入不同的样本的情况下，返回的结果不一样。相同的样本则结果一致。

原因分析：

一开始查了一些资料，基本都是说 Norm 层 和 Dropout 层没有禁用的原因，但是代码里面已经加了 model.eval()。后面又试了固定 numpy 和 torch 的随机种子，但还是一样的情况。

# 固定随机种子
np.random.seed(1337)
torch.manual_seed(1337)

–最后–

发现问题出现在 X = torch.nn.utils.rnn.pad_sequence(X, batch_first=True) 这条语句，由于样本数据长短不一，处理的时候都会根据样本情况添加 padding ，统一数据维度。

torch.nn.utils.rnn.pad_sequence 会根据样本的最大长度自动添加填充数据来统一数据维度。如果每次测试输入的样本最大长度不一样，填充的长度也会不同，导致最终的计算结果不一样。

解决方法：

使用固定的序列填充长度即可：

	max_len = 100  # 应和训练时的样本维度一致
	...
	X= torch.nn.utils.rnn.pad_sequence(X, batch_first=True)	
	
	# 对序列进行截断或填充到指定长度
	if X.size(1) < max_len:
	    X = torch.nn.functional.pad(X, (0, max_len - X.size(1)), value=0)
	elif X.size(1) > max_len:
	    X = X[:, :max_len]