为什么即使我设置了随机种子，我也无法在 Keras 中获得可重现的结果？

我正在 Mac OSX 上使用 Keras 在虚拟数据上训练 MobileNet 架构。我都设置了nump.random and tensorflow.set_random_seed，但由于某些原因，我无法获得可重现的结果：每次重新运行代码时，都会得到不同的结果。为什么？这不是由于 GPU 造成的，因为我在配备 Radeon 显卡的 MacBook Pro 2017 上运行，因此 Tensorflow 无法利用它。代码运行

python Keras_test.py

所以这不是状态问题（我没有使用 Jupyter 或 IPython：每次运行代码时都应该重置环境）。

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

当前的模型非常小（就深度神经网络而言），但并不简单，它不需要 GPU 来运行，并且在现代笔记本电脑上只需几分钟即可完成训练，因此任何人都可以重复我的实验。我邀请你这样做：我非常有兴趣了解一个系统与另一个系统之间的差异程度。

import 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])

与往常一样，这里是我的 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 epoch 中的最佳模型（最佳验证准确性），因此比较不同运行之间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

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 https://keras.io/getting-started/faq/#how-can-i-obtain-reproducible-results-using-keras-during-development.

简而言之，要绝对确定您将使用 python 脚本获得可重现的结果在一台计算机/笔记本电脑的 CPU 上那么你将必须执行以下操作：

1. Set PYTHONHASHSEED环境变量为固定值
2. Set python内置固定值伪随机发生器
3. Set numpy固定值的伪随机生成器
4. Set tensorflow固定值的伪随机生成器
5. 配置新的全局tensorflow session

继Keras链接在顶部，我使用的源代码如下：

# 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)

不用说，您不必指定任何seed or random_state at the numpy, scikit-learn or tensorflow/keras您在 python 脚本中使用的函数正是因为通过上面的源代码，我们将它们的伪随机生成器全局设置为固定值。