Keras和Tensorflow具有相同的重量，但测试精度不同

我训练了一个Tensorflow模型，然后构建了它的等效Keras模型，并将学习到的权重加载到其中。 然而，我在Keras中得到了不同的测试精度（例如，与98%相比，Tensorflow中的测试精度为98.5%）。 我以这种方式定义了tensorflow中的精度：

accuracy = tf.cast(tf.equal(tf.argmax(input_labels, 1), tf.argmax(output, 1)), tf.float32)

在Keras中，我使用了其标准度量：

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

accurity=model.evaluate（x=测试图像，y=测试标签，批次大小=批次大小）

我不知道这种差异从何而来

编辑： 因为我不相信答案，所以我花了几天的时间在代码上，直到我发现了一个导致这种差异的bug，在修复它之后，两个框架现在都产生了相同的结果，具有与预期相同的权重。

---

我撰写此编辑是为了防止其他读者产生任何困惑，因为Stackoverflow不允许我删除此问题。

一个可能的原因是：您的模型中有一个退出层

---

根据，内部随机逻辑由实现，它将在每次调用

sess.run（）

时随机生成一个新值是的，您是对的，有一个退出层。但是我认为所有的退出层在测试阶段都是确定的，所有的节点都是打开的，因此不应该有任何随机性。错了吗？我去掉了漏层，在keras和tensorflow中仍然得到了不同的精度。然而，现在Keras的准确度要低得多（例如，Keras的准确度为70%，而tensorflow的准确度为90%）。还是不知道是什么原因造成的。我刚刚更新了你第一条评论的答案，第二条看起来很奇怪，也许你可以发布更多关于你的模型的信息@蒙纳杰感谢你的回答，但如果我错了，请纠正我。我仍然认为，坦多姆制服在训练阶段起作用。一旦训练完成，每件事都会变得确定，在测试时，所有神经元都会打开并通过已学习的权重生效。@Monaj No，tf将为训练和测试阶段随机生成此值，因为这不是一个要在辍学层培训的变量。如果你对当前答案不满意，你可以/应该做的是发布你自己的答案。这比将答案编辑成问题要好。不过，一定要确保你的答案解释了你是如何修复缺陷/差异的。（回答自己的问题总是可以的——事实上，这是鼓励的！）