照着论文放出来的代码跑，结果比人家低两个点，这种事几乎每个做实验的都碰过。很多人第一反应一般是怀疑自己哪里写错了，然后把代码从头翻一遍，翻完还是那样。

其实，指标低不代表实现错了，实现对了也不代表指标就一定一样。这两件事要分开查。

为了方便大家排查，我整理了几份资料：一份是论文复现排查清单，从环境版本、代码配置到数据预处理和训练设置，按顺序逐项核对；另一份是Google深度学习调参手册，主要解决实现确认没问题之后，超参数该怎么调整的问题。另外还有一套深度学习实战教程，包含28个实践项目，项目部分配有31节视频逐行讲解代码，适合想真正弄懂训练流程的同学。

需要的话可以先领，下面结合步骤讲怎么用。

第一步：先看训练过程，再看最终指标

两份代码跑出来的分数不一样，不一定说明实现有问题，但训练过程值得重点关注。

可以先对比Loss和验证集指标曲线：如果从训练早期就明显分叉，优先检查数据处理、模型实现和训练配置；如果整体趋势接近，只是后期指标存在差距，再检查评测设置、训练策略和随机波动。

这样做的好处是，不用一上来就盲目改代码，先把问题范围缩小。

第二步：排查论文里没有交代完整的实现细节

如果训练过程对不上，就不能只盯着论文正文了。附录、配置文件、数据处理代码和GitHub Issue都值得仔细核对。

主要看三类问题：

• 代码里的具体设置，比如针对不同数据集写死的学习率、默认参数和数据增强策略。
• 环境和依赖版本，比如PyTorch、CUDA版本，以及图像插值、归一化等预处理细节。
• 论文没有充分披露的实现细节，有些问题作者会在GitHub Issue或后续更新中补充说明。

这些内容很容易被忽略。我整理的复现排查清单，就是把常见检查项按顺序列出来，复现时可以逐项核对，不用全靠自己猜。

第三步：实现确认没问题，再考虑怎么调参

如果环境、数据和实现基本对齐，训练曲线也比较接近，但最终指标仍有差距，这时候才轮到训练策略。

学习率、Batch Size、权重衰减、数据增强等因素都会影响最终效果，而且它们之间可能相互影响。随便调整一个参数，很容易出现这头涨了、那头又降了的情况。

Google深度学习调参手册可以作为参考，帮助你确定调参顺序、理解不同超参数的作用，减少盲目试错。

如果对模型代码和训练流程还不熟，也可以结合28个实践项目和31节逐行讲解视频，从具体实现入手，先把基础流程弄明白。

当然，调参不是万能的。如果差距来自模型结构、数据规模或计算预算，单靠调整超参数未必能补回来。这时候就要重新检查 Baseline 和实验条件是否合适。

总之，复现论文，先排查、再调优，不要一上来就怀疑自己或者乱改模型。指标对不上时，先思考你现在比的究竟是不是同一个实验。

有其他复现经验或者更高效的排查方法，也欢迎评论区交流。