Python 在Google Colab和IBM Watson Studio中，代码相同但结果不同

我正在用Fashion MNIST数据集训练一个简单的神经网络，该数据集可直接在tf.keras数据集API中获得。我在Colab和IBM Watson Studio中培训了该模型。但当我发现在Colab中，模型训练了1875次梯度更新，而在Watson Studio中，模型训练了60000次梯度更新时，我感到惊讶。为什么在这两种环境中没有不同的渐变更新？在科拉布和沃森工作室，他们不应该是一样的吗

此处提供了代码：

import tensorflow as tf
print(tf.__version__)

mnist = tf.keras.datasets.fashion_mnist

(training_images, training_labels), (test_images, test_labels) = mnist.load_data()

import numpy as np
np.set_printoptions(linewidth=200)
import matplotlib.pyplot as plt
plt.imshow(training_images[0])
print(training_labels[0])
print(training_images[0])

training_images  = training_images / 255.0
test_images = test_images / 255.0

model = tf.keras.models.Sequential([tf.keras.layers.Flatten(), 
                                    tf.keras.layers.Dense(128, activation=tf.nn.relu), 
                                    tf.keras.layers.Dense(10, activation=tf.nn.softmax)])

model.compile(optimizer = tf.optimizers.Adam(),
              loss = 'sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(training_images, training_labels, epochs=5)

以下是和的链接

---

编辑：经过更多的研究，我发现关于“批量大小”。由于代码中未包含“批次大小”，因此使用了默认的“批次大小”（32），因此Colab中的编号为1875（60000/32）。但我仍然不明白为什么Watson Studio中有60000个更新。我将感谢您在这方面的帮助。

是的，区别在于两者都是不同的平台，具有不同的计算能力和不同的时间消耗。您在这两个方面培训的元素/样本数量是不同的，这就是为什么基于云计算的效率和计算能力，它们给出了不同的结果。

而且watson中的代码仍在运行，这就是为什么watson中只有两个精度输出。让代码完全运行，您将获得总共5个训练输出。

---

我想你明白了。

从TensorFlow 2.2.0版开始，如果未指定，批次大小将默认为32

现在，在Colab中，使用了TensorFlow版本2.4.0，由于代码中没有定义批量大小，因此使用了默认值，因此有60000/32=1875次迭代

---

另一方面，截至2020年12月30日，IBM Watson Studio中的TensorFlow版本为2.1.0，没有任何默认批量大小。因此，在这种情况下，数据集不是成批考虑的，因此有60000次迭代。

“您在这两个方面培训的元素/样本数量不同”-为什么它们不同？当我使用相同的数据集时，它们不应该是相同的吗？为了更清晰，我对问题进行了编辑。我不关心不同的准确性。相反，我想知道的是为什么在Colab和Watson Studio中没有不同的训练样本？应该有多少样本？两个人中哪一个弄错了？@chughts有60000个样本。在Colab上有1875个渐变更新，在Watson Studio上有60000个更新。经过进一步的研究，我知道了“批量大小”。由于此处未提及“批量大小”，因此此处使用默认值（32），因此使用编号1875（60000/32）。但是我仍然不明白为什么Watson Studio中有60000个更新？我应该把这个问题转移到数据科学堆栈交换吗？从你的数字来看，区别似乎是Colab正在批处理，而Watson没有。是的，但是为什么他们处理数据的方式不同呢？