如何在使用Tensorflow后端运行Keras时获得可重复的结果

每次我在jupyter笔记本电脑上用Keras运行LSTM网络时，我都会得到不同的结果，我在谷歌上搜索了很多，我尝试了一些不同的解决方案，但都不管用，以下是我尝试过的一些解决方案：

设置numpy随机种子

random_seed=2017
从numpy.random导入种子
种子（随机种子）

设置tensorflow随机种子

来自tensorflow导入集\u随机\u种子
设置随机种子（随机种子）

设置内置随机种子

随机导入
随机种子（随机种子）

设置蟒蛇种子

导入操作系统
os.environ['pythonhasheed']=“0”

在jupyter notebook kernel.json中添加PYTHONHASHSEED

{
“语言”：“python”，
“显示名称”：“Python 3”，
“env”：{“pythonhasheed”：“0”}，
“argv”：[
“python”，
“-m”，
“ipykernel_发射器”，
“-f”，
“{connection_file}”
]
}

我的环境版本是：

Keras: 2.0.6
Tensorflow: 1.2.1
CPU or GPU: CPU

这是我的代码：

model = Sequential()
model.add(LSTM(16, input_shape=(time_steps,nb_features), return_sequences=True))
model.add(LSTM(16, input_shape=(time_steps,nb_features), return_sequences=False))
model.add(Dense(8,activation='relu'))        
model.add(Dense(1,activation='linear'))
model.compile(loss='mse',optimizer='adam')

---

模型定义中肯定缺少种子。详细文档可在此处找到：

本质上，层使用随机变量作为其参数的基础。因此，每次都会得到不同的输出

一个例子：

model.add(Dense(1, activation='linear', 
               kernel_initializer=keras.initializers.RandomNormal(seed=1337),
               bias_initializer=keras.initializers.Constant(value=0.1))

Keras自己在其FAQ部分中有一个关于获得可复制结果的部分：（）。它们具有以下代码片段以生成可复制的结果：

import numpy as np
import tensorflow as tf
import random as rn

# The below is necessary in Python 3.2.3 onwards to
# have reproducible behavior for certain hash-based operations.
# See these references for further details:
# https://docs.python.org/3.4/using/cmdline.html#envvar-PYTHONHASHSEED
# https://github.com/fchollet/keras/issues/2280#issuecomment-306959926

import os
os.environ['PYTHONHASHSEED'] = '0'

# The below is necessary for starting Numpy generated random numbers
# in a well-defined initial state.

np.random.seed(42)

# The below is necessary for starting core Python generated random numbers
# in a well-defined state.

rn.seed(12345)

# Force TensorFlow to use single thread.
# Multiple threads are a potential source of
# non-reproducible results.
# For further details, see: https://stackoverflow.com/questions/42022950/which-seeds-have-to-be-set-where-to-realize-100-reproducibility-of-training-res

session_conf = tf.ConfigProto(intra_op_parallelism_threads=1, inter_op_parallelism_threads=1)

from keras import backend as K

# The below tf.set_random_seed() will make random number generation
# in the TensorFlow backend have a well-defined initial state.
# For further details, see: https://www.tensorflow.org/api_docs/python/tf/set_random_seed

tf.set_random_seed(1234)

sess = tf.Session(graph=tf.get_default_graph(), config=session_conf)
K.set_session(sess)

Keras+Tensorflow

步骤1，禁用GPU

import os
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
os.environ["CUDA_VISIBLE_DEVICES"] = ""

第二步，为代码中包含的库添加种子，比如“tensorflow，numpy，random”

---

确保在代码的开头包含这两段代码，然后结果将是可复制的。

由于不同的原因（例如随机启动变量），结果可能会有所不同。因此，除非您提供一些模型代码，否则我们只能提供这么多帮助。请看一下我在使用CPU时在此处（）的响应。您尚未接受任何答案。以下哪项对您有效，或者您是否找到了更好的解决方案？为清楚起见：keras.io FAQ使您可以为所有涉及的随机数生成器设定种子，因此无需为图层初始化额外提供种子参数以创建可复制的结果。（我的理解是，没有保证。）向每一层添加种子参数太多了，所以我们需要将上面的代码粘贴到笔记本的开头吗？由于来自非编程背景，我很难理解这段代码。它对我不起作用。我正在谷歌合作实验室使用tensorflow（1.14.0）中的keras（2.2.4-tf）。请推荐。

import tensorflow as tf
import numpy as np
import random as rn

sd = 1 # Here sd means seed.
np.random.seed(sd)
rn.seed(sd)
os.environ['PYTHONHASHSEED']=str(sd)

from keras import backend as K
config = tf.ConfigProto(intra_op_parallelism_threads=1,inter_op_parallelism_threads=1)
tf.set_random_seed(sd)
sess = tf.Session(graph=tf.get_default_graph(), config=config)
K.set_session(sess)