收集整理，感谢以下作者的解释。在设计pytorch网络结构的时候，务必注意下面几个点，防止训了很久的模型转成caffe不能用的情况。
#1、
q&a:#0929_1 pytorch 中的ceil mode 为false，则默认当奇数数feature size时，去掉多余的边的数据再进行maxpool；反之当ceil mode为true，则保留多余边数据，再maxpool
#规避 maxpool 时，尽量送入池化层时采用偶数hxw的feature map
Pytorch中池化层默认的ceil mode是false（向下取整）（2.5x2.5 -> 2x2），而caffe只实现了ceil mode= true的（向上取整）（2.5x2.5 -> 3x3）。
q&a: https://github.com/JDAI-CV/fast-reid/issues/210#issuecomment-669010431
#2、
q&a:#0929_2 prototxt注意问题推理过程发现每次的结果都不一样，发现prototxt中每个卷积层下都有初始化权重的偏差(weight_filter、bias_filter和maxpool 的ceil_model)，将其统统删除；maxpool 的ceil_model在caffe中默认是true
q&a: https://www.cnblogs.com/wangxiaobei2019/p/14167822.html
#3、
q&a:#0929_3 如何在caffe做点乘操作？即怎么解决a*b1的问题 ？？
code：
'''
对应的python代码是
def forward(self, x):
b, c, _, _ = x.size()
y = self.avg_pool(x).view(b, c)
y = self.fc(y).view(b, c, 1, 1)
return x * y.expand_as(x)
那么思路就有了
需要先将b1拉到和a一样的size，再做点乘
实现：
对应的操作就是caffe的scale层
'''
q&a:
https://github.com/xxradon/PytorchToCaffe/issues/29
#4、
q&a:#0929_4 该版本的如果遇到相关报错，https://github.com/xxradon/PytorchToCaffe ； 记得加一个net.eval()
q&a: https://github.com/xxradon/PytorchToCaffe/issues/8
#5、关于Pytorch BN层的参数设置的问题
在Caffe中训练时设置use_global_stats=false，测试时需要改为use_global_stats=true。
在PyTorch中model.train()默认track_running_stats=true,测试时model. eval()默认track_running_stats=false。
q&a:0929_5 ！！！！pytorch的train和eval两个模式下bn层输出不一样；！！！关于eval的重要性！！！
trainning=True, track_running_stats=True。这个是期望中的训练阶段的设置，此时BN将会跟踪整个训练过程中batch的统计特性。
trainning=True, track_running_stats=False。此时BN只会计算当前输入的训练batch的统计特性，可能没法很好地描述全局的数据统计特性。
trainning=False, track_running_stats=True。这个是期望中的测试阶段的设置，此时BN会用之前训练好的模型中的（假设已经保存下了）running_mean和running_var并且不会对其进行更新。一般来说，只需要设置model.eval()其中model中含有BN层，即可实现这个功能。[6,8]
trainning=False, track_running_stats=False 效果同(2)，只不过是位于测试状态，这个一般不采用，这个只是用测试输入的batch的统计特性，容易造成统计特性的偏移，导致糟糕效果。
相关详细解释：https://www.cnblogs.com/jins-note/p/13440772.html
!!!!!tips:
如果BatchNorm2d的参数val,track_running_stats设置False,那么加载预训练后每次模型测试测试集的结果时都不一样；track_running_stats设置为True时，每次得到的结果都一样。
q&a:：https://www.zhihu.com/question/282672547/answer/529154567