即使设置了随机种子，为什么在Keras中仍无法获得可重复的结果？

Question

我正在使用Mac
OSX上的Keras在虚拟数据上训练MobileNet体系结构。我同时设置了nump.random和tensorflow.set_random_seed，但是由于某些原因，我无法获得可重复的结果：每次重新运行代码时，都会得到不同的结果。为什么？这不是因为GPU，因为我在具有Radeon显卡的MacBook
Pro 2017上运行，因此Tensorflow没有利用它。该代码运行

python Keras_test.py

因此这不是状态问题（我不使用Jupyter或IPython：每次运行代码时都应重置环境）。

编辑 ：我通过导入Keras 之前 移动所有种子的设置来更改代码。结果仍然不确定，但是结果的方差比以前小得多。这很奇怪。

当前模型很小（就深度神经网络而言）并不微不足道，它不需要GPU即可运行，并且可以在现代笔记本电脑上进行几分钟的训练，因此任何人都可以重复我的实验。我邀请您这样做：我对了解一个系统到另一个系统的变化程度非常感兴趣。

import html" target="_blank">numpy as np
# random seeds must be set before importing keras & tensorflow
my_seed = 512
np.random.seed(my_seed)
import random 
random.seed(my_seed)
import tensorflow as tf
tf.set_random_seed(my_seed)

# now we can import keras
import keras.utils
from keras.applications import MobileNet
from keras.callbacks import ModelCheckpoint
from keras.optimizers import Adam
import os

height = 224
width = 224
channels = 3
epochs = 10
num_classes = 10



# Generate dummy data
batch_size = 32  
n_train = 256
n_test = 64
x_train = np.random.random((n_train, height, width, channels))
y_train = keras.utils.to_categorical(np.random.randint(num_classes, size=(n_train, 1)), num_classes=num_classes)
x_test = np.random.random((n_test, height, width, channels))
y_test = keras.utils.to_categorical(np.random.randint(num_classes, size=(n_test, 1)), num_classes=num_classes)
# Get input shape
input_shape = x_train.shape[1:]

# Instantiate model 
model = MobileNet(weights=None,
                  input_shape=input_shape,
                  classes=num_classes)

model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])
# Viewing Model Configuration
model.summary()

# Model file name
filepath = 'model_epoch_{epoch:02d}_loss_{loss:0.2f}_val_{val_loss:.2f}.hdf5'

# Define save_best_only checkpointer
checkpointer = ModelCheckpoint(filepath=filepath,
                             monitor='val_acc',
                             verbose=1,
                             save_best_only=True)

# Let's fit!
model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          validation_data=(x_test, y_test),
          callbacks=[checkpointer])

和往常一样，这是我的Python，Keras和Tensorflow版本：

python -c 'import keras; import tensorflow; import sys; print(sys.version, 'keras.__version__', 'tensorflow.__version__')'
/anaconda2/lib/python2.7/site-packages/h5py/__init__.py:36: FutureWarning: Conversion of the second argument of issubdtype from `float` to `np.floating` is deprecated. In future, it will be treated as `np.float64 == np.dtype(float).type`.
  from ._conv import register_converters as _register_converters
Using TensorFlow backend.
('2.7.15 |Anaconda, Inc.| (default, May  1 2018, 18:37:05) \n[GCC 4.2.1 Compatible Clang 4.0.1 (tags/RELEASE_401/final)]', '2.1.6', '1.8.0')

以下是多次运行此代码获得的一些结果：如您所见，该代码使用描述性文件名保存了10个时间段内的最佳模型（最佳验证准确性），因此比较不同运行过程中的文件名可以判断结果的可变性。

model_epoch_01_loss_2.39_val_3.28.hdf5
model_epoch_01_loss_2.39_val_3.54.hdf5
model_epoch_01_loss_2.40_val_3.47.hdf5
model_epoch_01_loss_2.41_val_3.08.hdf5

Answer 1

您可以在Keras文档中找到答案：https：//keras.io/getting-started/faq/#how-can-i-obtain-reproducible-
results-using-keras-during-development 。

简而言之，要绝对确保 在一台计算机/笔记本电脑的CPU上 使用python脚本可获得可重复的结果，则必须执行以下操作：

1. 将PYTHONHASHSEED环境变量设置为固定值
2. 将python内置的伪随机数发生器设置为固定值
3. 将numpy伪随机数发生器设置为固定值
4. 将tensorflow伪随机数发生器设置为固定值
5. 配置新的全局tensorflow会话

Keras通过顶部的链接，我正在使用的源代码如下：

# Seed value
# Apparently you may use different seed values at each stage
seed_value= 0

# 1. Set `PYTHONHASHSEED` environment variable at a fixed value
import os
os.environ['PYTHONHASHSEED']=str(seed_value)

# 2. Set `python` built-in pseudo-random generator at a fixed value
import random
random.seed(seed_value)

# 3. Set `numpy` pseudo-random generator at a fixed value
import numpy as np
np.random.seed(seed_value)

# 4. Set the `tensorflow` pseudo-random generator at a fixed value
import tensorflow as tf
tf.random.set_seed(seed_value)
# for later versions: 
# tf.compat.v1.set_random_seed(seed_value)

# 5. Configure a new global `tensorflow` session
from keras import backend as K
session_conf = tf.ConfigProto(intra_op_parallelism_threads=1, inter_op_parallelism_threads=1)
sess = tf.Session(graph=tf.get_default_graph(), config=session_conf)
K.set_session(sess)
# for later versions:
# session_conf = tf.compat.v1.ConfigProto(intra_op_parallelism_threads=1, inter_op_parallelism_threads=1)
# sess = tf.compat.v1.Session(graph=tf.compat.v1.get_default_graph(), config=session_conf)
# tf.compat.v1.keras.backend.set_session(sess)

这是不用说，你不必指定任何seed或random_state在numpy，scikit- learn或tensorflow/keras功能您正在使用您的python脚本正是因为与源代码上面我们在全球建立自己的伪随机生成的一个固定值。