Tensorflow 使用Keras复制结果

我试图用Tensorflow和Keras（TF后端）复制我的实验结果。当我使用TF时，我首先在脚本顶部为numpy和tensorflow图设置随机种子。我没有使用任何辍学层或其他可能引入随机性的方法（我可以想到）

当运行这样的模型时，不管它的网络大小如何，总是会产生相同的结果

TF实验1：

（'Epoch'，99，'完成，共'，100，'损失：'，289.8982433080673，'准确度：'，0.6875）

TF实验2：

（'Epoch'，99，'完成，共'，100，'损失：'，289.8982433080673，'准确度：'，0.6875）

当我尝试使用相同配置的kera复制这些结果时，我失败了。最重要的是，每次单独运行都会产生不同的性能

我的TF代码可以复制结果，如下所示： 代码段引用：

从numpy.random导入种子
种子（1）
从tensorflow导入集\u随机\u种子
设置随机种子（2）
##导入系统模块
#
导入操作系统
导入系统
##导入ML模块
#
导入tensorflow作为tf
将numpy作为np导入
从keras.utils导入到_category
从sk学习导入预处理
logs_path='../logs/'
##默认常数
#
没有类中的类=2
批量大小=32
专长尺寸=26
N_节点_hl1=300
N_节点_hl2=30
N_节点_hl3=30
##定义网络架构
#                                                                                                                                                       
##该模型是一个具有3个隐藏层的简单多层感知器网络。
##输入到图层的尺寸等于特征尺寸。
##我们在这个方法中创建了一个完整的图形，其中输入占位符作为输入参数，并且
##作为返回参数的输出占位符
#
def神经网络模型（数据）：
##定义字典，指定每个层的规范。
#
隐藏层={'weights'：tf.Variable（tf.random_normal（[FEAT_DIM，N_nodes_hl1]），name='w1'），\
“偏差”：tf.Variable（tf.random_normal（[N_nodes_hl1]），name='b1'）}
隐藏的_2_层={'weights'：tf.Variable（tf.random_normal（[N_nodes_hl1，N_nodes_hl2]），name='w2'），\
“偏差”：tf.Variable（tf.random_normal（[N_nodes_hl2]），name='b2'）}
隐藏的\u 3\u层={'weights'：tf.Variable（tf.random\u normal（[N\u nodes\u hl2，N\u node