Amazon ec2 为什么我的keras神经网络模型在不同的机器上输出不同的值？

我正在使用AWSEC2为多标签分类任务训练模型。培训后，我在同一台机器上测试了模型，结果很好（准确率为90+）。但是，在我将保存的模型导入本地机器（没有GPU）后，它会给出不同的结果（精度低于5%）。关于为什么会发生这种情况有什么建议吗？谢谢

---

TL；DR:Keras/tensorflow模型从GPU机器传输到CPU时产生不同的结果在搜索网络时，我发现了问题。在GPU上运行时，keras over tensorflow似乎会产生在传输到非GPU机器时不可复制的结果。这很可能与安装的cuDNN有关。cuDNN的maxpooling和一些卷积向后算法是不确定的——正如论坛上所说的那样

我找到的解决方案是在调用任何keras库之前使用

numpy.random.seed（seed\u no）

。当您在CPU上运行代码时，此功能将起作用。适用于keras/theano和keras/tensorflow

GPU用户的解决方案在theano上使用keras包括：

或者：

THEANO_FLAGS=“dnn.conv.algo_bwd_filter=deterministic，dnn.conv.algo_bwd_data=deterministic”python rnn_model.py

---

然而，我还没有找到任何关于如何使用tensorflow作为后端在GPU上运行的keras生成统一结果的明确说明

所以，你用什么数据来训练你的模型，这取决于如何编程，我用的是文本数据（tweets）。我根据它们表达的情绪（喜悦、悲伤、愤怒等）对它们进行分类。我在tensorflow上使用keras。我的网络是一个顺序模型（嵌入层->双向LSTM->S形密集层）。我使用二进制交叉熵（因为我希望有多个0/1情感输出）和rmsprop作为优化工具。它在aws中运行得很好，但在我的本地机器中却不行。我已经将本地机器上的keras和tensorflow版本更改为aws中的版本。现在唯一的区别是我在笔记本电脑上使用的是CPU版本，而aws ec2使用的是gpu。然而，与aws相比，我的本地机器中的输出仍然倾向于提供非常不同的输出。您应该提供代码以及您得到的结果，否则问题完全无法回答。Sir@MatiasValdenegro，我的代码基于Alexander Rakhlin爵士发布的这篇文章。我将其修改为使用RNN来代替多重情感输出。我在aws ec2机器上获得了90%以上的准确率，而在没有GPU的笔记本电脑上只有5%的准确率。我对这种行为进行了一些搜索，发现原因是GPU机器上使用的cuDNN产生了不确定值，从而使模型随机化。我发布了我找到的解决方案和一些链接。嗨，谢谢你的回答！numpy.random.seed的参数seed_no是什么？你知道为什么打电话会让cuDNN变得不确定吗？谢谢Sir@Pusheen_the_dev，seed_no是一个整数变量，用于控制numpy的随机状态，使结果可预测。您可以查看更多信息。据我所知，keras使用numpy将模型的初始权重随机化。因此，设置种子以控制此随机状态将使模型的输出产生统一的实验结果。但是，种子设定不会阻止cuDNN的非确定性，因为它是安装时的默认设置。您可以对此使用无标志。

[dnn.conv]
algo_bwd_filter = deterministic
algo_bwd_data = deterministic