为什么tensorflow在直接比较中的精确度比keras差？

我用相同的参数和相同的数据集（MNIST）直接比较了TensorFlow和Keras

奇怪的是，Keras在10个时期内实现了96%的性能，而TensorFlow在10个时期内实现了约70%的性能。我在同一个实例中多次运行此代码，这种不一致性总是发生

即使为TensorFlow设置50个纪元，最终性能也达到90%

代码：

TensorFlow代码：（x_列、x_测试、y_列、y_测试与上述Keras代码的输入相同）

---

我在同一个实例中运行所有程序。有人能解释这种不一致吗

我认为是初始化造成的。例如，一个真正的区别是，在TF中使用

random_normal

初始化偏差，这不是最佳实践，事实上，Keras默认将偏差初始化为零，这是最佳实践。您不需要重写它，因为您只在Keras代码中设置了

kernel\u初始值设定项

，而没有设置

bias\u初始值设定项

此外，对于权重初始值设定者来说情况更糟。您正在对KERA使用

RandomNormal

，定义如下：

keras.initializers.RandomNormal(mean=0.0, stddev=0.05, seed=None)

但在TF中，您使用

TF.random.normal

：

tf.random.normal(shape, mean=0.0, stddev=1.0, dtype=tf.dtypes.float32,    seed=None, name=None)

我可以告诉您，使用标准偏差0.05进行初始化是合理的，但使用1.0则不然

我怀疑如果你改变这些参数，事情会变得更好。但如果他们不这样做，我建议把这两种模型的TensorFlow图都倒出来，用手检查一下，看看有什么不同。在这种情况下，图形足够小，可以进行双重检查

在某种程度上，这突出了Keras和TF在哲学上的差异。Keras努力为NN训练设置良好的默认值，以符合已知的工作方式。但是TensorFlow是完全不可知的——您必须了解这些实践，并明确地将它们编码进来。标准偏差就是一个很好的例子：当然，在数学函数中默认值应该是1，但是如果你知道它将用于初始化NN层，那么0.05是一个很好的值

keras.initializers.RandomNormal(mean=0.0, stddev=0.05, seed=None)

tf.random.normal(shape, mean=0.0, stddev=1.0, dtype=tf.dtypes.float32,    seed=None, name=None)