Python 为什么tf.keras.dataset中的数据序列洗牌会对tf.fit和tf.predict之间的序列顺序产生不同的影响？

我正在培训一个带有时间序列和标签的LSTM深度学习模型

我生成一个tensorflow数据集“训练数据”和“测试数据”

然后，我用上述数据集训练模型

model.fit(train_data, epochs=epochs, validation_data = test_data, callbacks=callbacks)

然后运行预测以获得预测值

train_labels = np.concatenate([y for x, y in train_data], axis=0)
train_predictions = model.predict(train_data)
test_labels = np.concatenate([y for x, y in test_data], axis=0)
test_predictions = model.predict(test_data)

这里是我的问题：当我根据预测值绘制列车/测试标签数据时，当我在数据集构建步骤中对序列进行洗牌时，我得到以下曲线图：

这里是带有洗牌的输出：

---

问题为什么会这样？我使用完全相同的源数据集进行训练和预测。数据集应该被洗牌。TensorFlow是否有可能随机对数据进行两次洗牌，一次在训练期间，另一次用于预测？我试图提供一个无序种子，但这也没有改变任何事情。

每次迭代数据集时，数据集都会被无序化。理解列表后得到的结果与编写

predict

时的顺序不同。如果您不想这样做，请通过：

shuffle(buffer_size=BUFFER_SIZE, reshuffle_each_iteration=False)

---

非常好，谢谢，这很好地解释了这一点，并提供了一个解决方案。但我想你是想把这个标志设为false，以防止每次迭代都重新洗牌……是的，的确如此。为我的困惑道歉。

shuffle(buffer_size=BUFFER_SIZE, reshuffle_each_iteration=False)