Tensorflow和Keras的不同结果

对于相同网络结构的Tensorflow和Keras，我得到了不同的结果

损失函数看起来像

class MaskedMultiCrossEntropy(object):
    def loss(self, y_true, y_pred):
        vec = tf.nn.softmax_cross_entropy_with_logits(logits=y_pred, labels=y_true, dim=1)
        mask = tf.equal(y_true[:,0,:], -1)
        zer = tf.zeros_like(vec)
        loss = tf.where(mask, x=zer, y=vec)
        return loss

我使用的网络层称为CrowdsClassification，由Keras实现。然后我通过

x = Dense(128, input_shape=(input_dim,), activation='relu')(inputs)
x = Dropout(0.5)(x)
x = Dense(N_CLASSES)(x)
x = Activation("softmax")(x)
crowd = CrowdsClassification(num_classes, num_oracles, conn_type="MW")
x = crowd(x)

用Keras训练模型

model = Model(inputs=inputs, outputs=x)
model.compile(optimizer='adam', loss=loss)
model.fit(inputs,
           true_class, epochs=100, shuffle=False, verbose=2, validation_split=0.1))

用tensorflow训练模型

optimizer = tf.train.AdamOptimizer(learning_rate=0.01, beta1=0.9, beta2=0.999)
opt_op = optimizer.minimize(loss, global_step=global_step)
sess.run(tf.global_variables_initializer())
for epoch in range(100):
    sess.run([loss, opt_op], feed_dict=train_feed_dict)

---

Tensorflow将得到错误的预测。问题似乎来自于损失函数，即Tensorflow不能反向屏蔽损失。谁能给点建议？Thx很多。

您尝试过为Adam使用默认参数吗？是的，我尝试过，但不起作用。