Python tensorflow使用GPU与CPU计算损耗

当我用GPU和CPU计算损耗时，我对损耗计算中的差异有点困惑

模型为6层CNN

从检查点加载模型并使用相同的数据运行它。用CPU和GPU计算损耗

CPU损耗：0.4687191 GPU损失：0.46873742

有人能给我解释一下为什么这些损失的计算方法不同吗

#WITH CPU! - testing cpu vs cpu optimizer calculations
import time
tf.reset_default_graph()



new_saver = tf.train.import_meta_graph('./graph/final.meta')

with tf.Session() as sess:
  new_saver.restore(sess, tf.train.latest_checkpoint('./tmp'))

  optimize = tf.get_default_graph().get_operation_by_name( "optimizer" )
  c_loss = sess.run('loss:0', feed_dict={'x:0': x_train[0:128], 'y:0': y_train[0:128], 'is_training:0': True})
  print('initial:  c_loss', c_loss)  

  sess.run(optimize, feed_dict={'x:0': x_train[0:128], 'y:0': y_train[0:128], 'is_training:0': True})
  c_loss = sess.run('loss:0', feed_dict={'x:0': x_train[0:128], 'y:0': y_train[0:128], 'is_training:0': True})

  print('post:  c_loss', c_loss)

输出：
首字母：c_损失0.4687191
帖子：c_损失0.5455321

#WITH GPU! - testing cpu vs gpu optimizer calculations
import time
tf.reset_default_graph()


new_saver = tf.train.import_meta_graph('gdrive/My Drive/graph/final.meta')

with tf.Session() as sess:
  new_saver.restore(sess, tf.train.latest_checkpoint('gdrive/My Drive/tmp'))

  optimize = tf.get_default_graph().get_operation_by_name( "optimizer" )
  c_loss = sess.run('loss:0', feed_dict={'x:0': x_train[0:128], 'y:0': y_train[0:128], 'is_training:0': True})
  print('initial:  c_loss', c_loss)  

  sess.run(optimize, feed_dict={'x:0': x_train[0:128], 'y:0': y_train[0:128], 'is_training:0': True})
  c_loss = sess.run('loss:0', feed_dict={'x:0': x_train[0:128], 'y:0': y_train[0:128], 'is_training:0': True})

  print('post:  c_loss', c_loss)

输出：
首字母：c_损失0.46873742
职位：c_损失0.5432756

编辑：

---

也。我用两个不同的CPU会话加载模型，发现上面的损耗计算是相同的。只有当我使用GPU计算损失时，它们才会有所不同。

如果你对训练模型的数据进行洗牌，它们可能会有所不同。尝试修复代码上方的

numpy.random.seed（123）

（但在导入之后），然后禁用洗牌，损失应该相同

例如，

tensorlayers

mini批处理生成器允许您将shuffle参数设置为False

import numpy as np
import tensorlayers as tl

X = np.asarray([['a','a'], ['b','b'], ['c','c'], ['d','d'], ['e','e'], ['f','f']])
y = np.asarray([0,1,2,3,4,5])

for batch in tl.iterate.minibatches(inputs=X, targets=y, batch_size=16, shuffle=False):
    print(batch)

---

我没有做任何洗牌或任何形式的正确配料。我添加了上面的代码，所以它应该更有意义。训练点到adamoptimizer。最小化（）和损失点以减少平均值（交叉熵）。cpu计算可以在float64上进行，gpu计算可以在float32上进行吗？你能打印形状吗？