Tensorflow 什么'；我的ResNet50在两台机器上有什么问题？

首先，我在Kaggle上从头训练了一个ResNet50，使其成为一个六类分类器，结果是这样的。

如您所见，训练集和验证集的准确性稳步提高。 在那之后，我在互联网上租了一台云主机以获得更好的GPU（1080ti），并复制了我的代码（我上传了我的Jupyter笔记本）。然后我跑了。但奇怪的事情发生了。我的验证精度非常不稳定，并且总是波动很大（约为0.3）。这是截图

而且，在主机上的训练要比在Kaggle内核上的训练困难得多。 以下是几段时间后的截图。（实际上，主持人的一段时间比卡格尔的一段时间长得多） 这是我的ImageDataGenerator代码

train_datagen=ImageDataGenerator(
重新缩放=1./255，
剪切范围=0.1，
缩放范围=0.1，
宽度\偏移\范围=0.1，
高度位移范围=0.1，
水平翻转=真，
垂直翻转=真，
验证_分割=0.1
)
test_datagen=ImageDataGenerator(
重新缩放=1./255，
验证_分割=0.1
)
train_generator=来自目录的train_datagen.flow_(
基本路径，
目标_大小=（300300），
批次尺寸=16，
class_mode='classifical'，
"训练",，
种子=0
)
验证\u生成器=来自\u目录的测试\u datagen.flow\u(
基本路径，
目标_大小=（300300），
批次尺寸=16，
class_mode='classifical'，
子集='验证'，
种子=0
)

您是单独提供验证集还是只指定验证分割大小？我只指定验证分割大小。我编辑了我的问题，发布了我的数据生成器代码@BashirKazimiYou正在使用生成器创建具有不同增强功能的数据，这将很难得到可重复的结果。我认为这就是结果变化的原因。如果您想要可复制的结果，我建议您使用生成器来创建数据并首先将其保存到磁盘。然后，您可以加载数据（直接加载或使用生成器加载，但不增加），并训练您的模型。通过这种方式，您可以确定每次都在相同的示例集上进行训练，并且可能会得到类似的结果。您的意思是主机将数据大小与Kaggle内核进行不同的分割？它对性能有这么大的影响吗？事实上，在Kaggle上，我跑了60个纪元，准确度超过了0.7。但在主机上，我运行了大约120个纪元，仍然获得了较低且波动（0.4~0.6）的准确度。（顺便说一句，我已经在卡格尔和主持人身上运行过很多次了。卡格尔总是表现得很好，而主持人总是表现得很差）@BashirKazimi