Torch7：没有batchNorm或Dropout，但是model：training（）和model：evaluate（）产生不同的结果

Question

我培训了一个小型网络，基本上是torch.ParallelTable，有两个分支，如下图所示。

Net1 和 Net2 部分仅由标准nn.SpatialConvolution，nn.SpatialFullConvolution，nn.SpatialMaxPooling和nn.PRelu组成。没什么不寻常的。 SPP part是inn包中的inn.SpatialPyramidalPooling图层。 我没有使用任何批量标准化或droptout。我已经使用nn.MSECriterion作为丢失对网络进行了培训，错误的大小为10^{-11}，因此它似乎过度拟合。但是，在evaluate()模式转发时，我收到大约0.5 ...

的错误

model:training()
res=model:forward(some_data)
loss=my_loss:forward(res,some_ground_truth)  -- about 10^{-11} 

但如果我改为评估模式，我会

model:evaluate()
res=model:forward(some_data)
loss=my_loss:forward(res,some_ground_truth)  -- about 0.5  

任何人都可以了解正在发生的事情吗？