Python TensorFlow中变量初始化不一致

我注意到，即使对TensorFlow图进行最轻微的更改，也会对结果产生随机影响，即使计算基本相同

在以下示例中，在添加变量

y

之前，将

tf.no_op

添加到图形中会更改该变量的初始值：

def example(add_no_op=False):
    tf.reset_default_graph()
    tf.set_random_seed(42)

    x = tf.get_variable('x', shape=[], dtype=tf.float32)

    if add_no_op:
        tf.no_op()

    y = tf.get_variable('y', shape=[], dtype=tf.float32)

    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        print(sess.run([x, y]))

这不是我所期望的。对于相同的随机种子，即使模型略有不同，我也会期望得到相同的结果，只要变量以相同的顺序添加，并且没有其他非确定性来源

通常，当我重构一段代码时，检查它是否仍然生成相同的输出是确保我没有破坏它的好方法。然而，在TensorFlow中，这似乎不起作用

---

为什么会发生这种情况，以及如何防止这种情况发生？

我不确定，但可能有很多随机种子需要初始化。numpy种子和python随机种子。试试看能不能用？@AkshayLAradhya，不行。

>>> example()
[0.47769845, 0.014582992]

>>> example(add_no_op=True)
[0.47769845, 0.3524617]