Tensorflow模型。拟合（）再现性

上述3个model.fit（）调用给出了以下结果：

import tensorflow as tf

RANDOM_SEED_CONSTANT = 42  # FOR_REPRODUCIBILITY
tf.random.set_seed(RANDOM_SEED_CONSTANT)

# Prevent NHWC errors https://www.nuomiphp.com/eplan/en/50125.html
from tensorflow.keras import backend as K
K.set_image_data_format("channels_last")

from tensorflow import keras
from tensorflow.keras import datasets, layers, models

(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()
train_images, test_images = train_images / 255.0, test_images / 255.0 # Normalize pixel values to be between 0 and 1

# Create a simple CNN
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Flatten())
model.add(layers.Dense(64, 
                       activation='relu', 
                       kernel_initializer=tf.keras.initializers.HeNormal(seed=RANDOM_SEED_CONSTANT)))
model.add(layers.Dense(10, 
                       kernel_initializer=tf.keras.initializers.HeNormal(seed=RANDOM_SEED_CONSTANT)))

print(model.summary())

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

model.save_weights('myweights.h5')

# Run1
history = model.fit(train_images, train_labels, epochs=1, 
                    shuffle=False,
                    validation_data=(test_images, test_labels))

# Run2
model.load_weights('myweights.h5')
history = model.fit(train_images, train_labels, epochs=1, 
                    shuffle=False,
                    validation_data=(test_images, test_labels))

# Run3
model.load_weights('myweights.h5')
history = model.fit(train_images, train_labels, epochs=1, 
                    shuffle=False,
                    validation_data=(test_images, test_labels))

造成这种差异的原因是什么？我试图了解可能妨碍从模型中复制结果的来源。除了随机种子，密集层初始化，我还缺少什么

1563/1563 [==============================] - 7s 4ms/step - loss: 1.4939 - accuracy: 0.4543 - val_loss: 1.2516 - val_accuracy: 0.5567

1563/1563 [==============================] - 6s 4ms/step - loss: 1.6071 - accuracy: 0.4092 - val_loss: 1.3857 - val_accuracy: 0.4951

1563/1563 [==============================] - 7s 4ms/step - loss: 1.5538 - accuracy: 0.4325 - val_loss: 1.3187 - val_accuracy: 0.5294

---

测试再现性的方法不正确。您需要关闭程序并重新运行，以查看结果是否相同。否则，运行2取决于运行1期间发生的事件，而运行3取决于运行1和2期间发生的事件

原因是Tensorflow维护一个用于随机生成的内部计数器，如（emphasis是我的）文档中所述：

print（tf.random.uniform（[1]，seed=1））#生成“A1”
打印（tf.random.uniform（[1]，seed=1））#生成“A2”

我们在上面对tf.random.uniform的第二次调用中得到“A2”而不是“A1”的原因是，TensorFlow使用相同的tf.random.uniform内核（即内部表示）来处理具有相同参数的所有调用，并且内核维护一个内部计数器，该计数器在每次执行时递增，产生不同的结果。

如果我只运行程序的第一次运行两次，在每次运行之间关闭程序（在这种情况下，在IPython中），我会得到：

[1]中的

：运行program.py
1563/1563[===============================================================-13s 8ms/步长-损耗：1.4997-精度：0.4540-val_损耗：1.2528-val_精度：0.5494
{‘损失’：[1.4996991157531738]，‘准确性’：[0.4540199935436249]，‘价值损失’：[1.2527965307235718]，‘价值准确性’：[0.5493999719619751]}
在[2]中：运行program.py
1563/1563[===================================================12s 8ms/步长-损耗：1.4997-精度：0.4540-val_损耗：1.2528-val_精度：0.5494
{‘损失’：[1.4996991157531738]，‘准确性’：[0.4540199935436249]，‘价值损失’：[1.2527965307235718]，‘价值准确性’：[0.5493999719619751]}

---

减去执行计算所需的时间，根据机器上的负载可能会有所不同，结果完全相同。

我试图总结您的答案。因此，“tf.random.set_seed（）”确保在每个程序运行期间，第一次函数调用得到相同的结果。在一个程序运行期间，对具有相同参数的同一函数的重复调用期望相同的结果，这是我的错误。对吗？需要注意的是，在您共享的同一文档页面中，它声明“调用

tf.random.set_seed（）

将重置任何此类计数器”。这有点误导。顺便说一下，我只在第一次调用model.fit（）时运行了两次相同的代码，第二次运行时，我得到了

{'loss'：[1.4873973117981]，'accurity'：[0.4600600004196167]，'val_loss'：[1.2456825971603394]，'val_accurity'：[0.554600000314697]

，

{'loss'：[1.48827230932837]，“准确度”：[0.46059998869895935]，“val_损失”：[1.25975501537323]，“val_准确度”：[0.5461000204086304]}

`“调用tf.random.set_seed（）将重置任何此类计数器”。这有点误导性`是的，我同意这是误导性的，但这在后面的页面中被解释为“当多个相同的随机操作被包装在一个tf.函数中时，它们的行为会改变，因为这些操作不再共享同一个计数器。”这有点隐藏在Keras抽象的背后，但是你的模型创建就是这样。至于你的第二条评论，即使通过查看

history.history

我也得到了完全相同的值。