代码复现要点来啦！！！
代码复现要点
复现流程：环境对齐 → 数据准备 → 代码权重配置 → 训练推理 → 结果校验 → 问题排查
[一]环境对齐（最易出错）
1. 严格匹配 Python、CUDA、框架及依赖库版本，优先使用作者配置文件。
2. 注意GPU显存、算力差异，避免CPU/GPU运行结果不一致。
3. 固定所有随机种子，保证实验结果可复现。
4. 使用虚拟环境隔离，防止环境冲突。
[二]数据集准备
1. 采用官方数据集及划分方式，不自行随机分割。
2. 所有预处理操作（归一化、尺寸、增强、padding等）完全对齐原文。
3. 正确配置数据路径、缓存路径及预训练权重路径。
[三]代码与权重配置
1. 使用原文对应版本代码，不直接用仓库最新代码。
2. 正确加载官方预训练权重，核对网络层冻结与加载逻辑。
3. 严格照搬论文超参数（学习率、batch、epoch、优化器、衰减率等）。
4. 核对 yaml/config 隐藏配置参数。
[四]训练与推理
1. 对齐原文训练策略：预热学习率、梯度裁剪、混合精度、梯度累积。
2. 统一评估时机与评价指标计算方式。
3. 推理使用 eval 模式，关闭 dropout 和 BN 更新。
[五]结果校验
1. 精度、loss曲线与原文对比，±1%波动为正常。
2. 对比训练下降趋势，留存实验日志。
3. 先跑通 baseline，再调试目标模型。
[六]常见复现失败原因
版本不匹配、数据处理不一致、超参数未改、未固定种子、未用官方权重、代码版本更新、评估逻辑错误。
[七]复现记录模板
环境配置、数据集信息、超参数、随机种子、权重来源、复现指标与原论文差值。