Python 3.x 使用Keras和TensorFlow后端的可再现结果

我正在使用Keras构建一个深入学习的LSTM模型，使用TensorFlow后端。每次运行模型时，结果都不同。有没有办法修复种子以产生可重复的结果？谢谢大家!

与深度学习相关的固有随机性会导致不可再现的结果，但你可以在一定程度上控制它

由于我们使用的是深度神经网络，我们可以有不同的随机性影响我们的再现性，导致不同的结果，例如

• 初始化中的随机性，例如权重

• 正则化中的随机性，如退出

• 分层随机性

• 优化中的随机性

但有几种方法可以缓解这种情况，其中一种方法是使用汇总统计数据。另一种可提供更多重复性结果的方法是使用带有numpy和/或tensorflow的随机种子，请参见：

---

对于使用GPU的方法，我们可以指定它使用确定性方法，而不是默认的非确定性方法。对于nvidia图形卡，请参见：

，正如@Poete_Maudit在这里所说：

要获得可再现的结果，您必须在脚本开始时执行以下操作（这将强制使用单个CPU）：

---

注意：您无法（再）使用命令获得可复制的结果：

pythonhasheed=0 python3 script.py

，这可能会让您想到，您必须在脚本中使用os.environ设置pythonhasheed，如步骤1所示。而且，这对GPU的使用不起作用

基本上，使结果可复制的关键思想是禁用GPU。这是非常重要的。要做到这一点，只需包括

import os
import tensorflow as tf
import numpy as np
import random as rn

os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
os.environ["CUDA_VISIBLE_DEVICES"] = ""

sd = 1 # Here sd means seed.
np.random.seed(sd)
rn.seed(sd)
os.environ['PYTHONHASHSEED']=str(sd)

from keras import backend as K
config = tf.ConfigProto(intra_op_parallelism_threads=1,inter_op_parallelism_threads=1)
tf.set_random_seed(sd)
sess = tf.Session(graph=tf.get_default_graph(), config=config)
K.set_session(sess)

---

在代码的最开始部分。希望这能对您有所帮助。

请查看我在使用CPU时在此处的响应（）。此代码片段不适用于我。我正在使用TensorFlow（1.14.0版）的Keras API（2.2.4-tf）在谷歌合作实验室进行深入学习。请建议TensorFlow 2.0

tf.random.set\u random\u seed（seed\u value）

更改为

tf.random.set\u seed（seed\u value）

import os
import tensorflow as tf
import numpy as np
import random as rn

os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
os.environ["CUDA_VISIBLE_DEVICES"] = ""

sd = 1 # Here sd means seed.
np.random.seed(sd)
rn.seed(sd)
os.environ['PYTHONHASHSEED']=str(sd)

from keras import backend as K
config = tf.ConfigProto(intra_op_parallelism_threads=1,inter_op_parallelism_threads=1)
tf.set_random_seed(sd)
sess = tf.Session(graph=tf.get_default_graph(), config=config)
K.set_session(sess)