Python 在keras.compile中tf.train.AdamOptimizer和use adam之间有什么区别？

我正在建立一个密集的神经网络来预测扑克手。首先，我在可复制性方面遇到了一个问题，但后来我发现了我真正的问题：我不能复制我的代码是因为adam优化器，因为sgd起了作用。 这意味着

model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

不起作用，而

opti = tf.train.AdamOptimizer()
model.compile(loss='sparse_categorical_crossentropy', optimizer=opti, metrics=['accuracy'])

具有再现性。 所以我现在的问题是： 使用有什么区别吗

tf.train.AdamOptimizer

及

---

因为复制问题，我想使用第一个。它们都是相同的。但是，在tensorflow.train.AdamOptimizer中，您可以更改学习速率

tf.compat.v1.train.AdamOptimizer(
    learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08, use_locking=False,
    name='Adam')

这将提高学习成绩，培训时间也会更长。但是在model.compile（optimizer=“adam”）中，它会将学习率、beta1、beta2…等设置为默认设置

您所说的“可复制性”是什么意思？据我所知，

keras

只是后端引擎的API，默认情况下是

tensorflow

。因此，根据官方实现，无论何时使用

adam

，您都在使用

tf.train.AdamOptimizer

。

tf.compat.v1.train.AdamOptimizer(
    learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08, use_locking=False,
    name='Adam')