Python t-SNE在不同的机器上生成不同的结果

我在100D中有大约3000个数据点，我用t-SNE投影到2D。每个数据点属于三个类中的一个。然而，当我在两台不同的计算机上运行脚本时，我总是得到不一致的结果。当我使用一个随机种子时，可能会出现一些不一致的情况，但是其中一台计算机会不断得到更好的结果（我在Ubuntu上使用MacBookPro和一台固定的机器）

我使用Scikit learn中的t-SNE实现。脚本和数据是相同的，我已经手动复制了文件夹以确保。相关代码段如下所示：

X_vectors, X_labels = self.load_data(spec_path, sound_path, subset)
tsne = TSNE(n_components=2, perplexity=25, random_state=None)
Y = tsne.fit_transform(X_vectors)
self.plot(X_labels, Y[:, 0], Y[:, 1], Y)

第一幅图像是从macbook生成的一个样本，我已经运行了好几次，它总是在相同的x/y范围内生成类似的形状。第二个是Ubuntu，显然更好，我再次运行了几次，以确保它继续产生更好的结果，与mac相比，始终在更高的x/y范围内。我不确定我在这里没有看到什么，很可能是我错过了什么

---

TSNE是一种启发式方法。与大多数启发式方法一样，它可能会根据微小的变化表现出完全不同的行为。这里的核心特征是：只保证局部收敛！（不是很健壮）。后者如图所示（根据基本优化理论）：

t-SNE有一个非凸的代价函数，即通过不同的初始化，我们可以得到不同的结果

虽然您解释说，在您看来，非种子方法并不是罪魁祸首（难以衡量！基准测试很难），您应该查看您的sklearn版本，因为随着时间的推移，它是sklearn中比较活跃的部分之一，有许多变化

这些更改中的每一个都可能引入与您类似的观察结果（当只尝试一个示例时；当然，在比较t-sne实现时，更大的基准/测试集应该是更好的方法）

备注：

然而，其中一台计算机不断获得更好的结果：

这是广义的，因为至少有两种不同的解释：

• 对结果进行视觉/感知评分
• 查看优化后获得的

  kl\u发散度

---

TSNE是一种启发式方法。与大多数启发式方法一样，它可能会根据微小的变化表现出完全不同的行为。这里的核心特征是：只保证局部收敛！（不是很健壮）。后者如图所示（根据基本优化理论）：

t-SNE有一个非凸的代价函数，即通过不同的初始化，我们可以得到不同的结果

虽然您解释说，在您看来，非种子方法并不是罪魁祸首（难以衡量！基准测试很难），您应该查看您的sklearn版本，因为随着时间的推移，它是sklearn中比较活跃的部分之一，有许多变化

这些更改中的每一个都可能引入与您类似的观察结果（当只尝试一个示例时；当然，在比较t-sne实现时，更大的基准/测试集应该是更好的方法）

备注：

然而，其中一台计算机不断获得更好的结果：

这是广义的，因为至少有两种不同的解释：

• 对结果进行视觉/感知评分
• 查看优化后获得的

  kl\u发散度

---

请对两台机器上的随机_状态使用相同的整数值（而不是

None

），然后报告变化。它返回与以前类似的结果。我使用None的原因是为了确保固定种子与此无关。请在两台机器上对random_状态使用相同的整数值（而不是

None

），然后报告变化。它返回与以前类似的结果。我使用None的原因是为了确保固定种子与它无关。版本更新修复了它！macbook以前的版本是0.18.2，现在都是0.19，在给定一个固定种子的情况下，它们产生相同的结果。谢谢。我同意“更好的结果”在这个场景中是相对的，我指的是不重叠的集群。谢谢确认！版本更新修复了它！macbook以前的版本是0.18.2，现在都是0.19，在给定一个固定种子的情况下，它们产生相同的结果。谢谢。我同意“更好的结果”在这个场景中是相对的，我指的是不重叠的集群。谢谢确认！