可用计算能力不会直接影响神经网络的准确性。如果您的不同网络运行具有：

• 相同的架构和元参数
• 相同的代码（包括库代码）
• 所有训练数据都是相同的
• 训练的所有随机部分都使用相同的随机种子和生成器
• 所有数据类型都具有相同的精度（例如，所有向量和矩阵都是 32 位或 64 位浮点数）

那么每次运行中神经网络训练的行为是完全确定的和可重复的。拥有更快的处理器只会让您更快地获得结果*。

您的测试之间最可能的差异是由于没有播种在训练过程中使用的随机数生成器。对您而言，这包括权重初始化、可能的训练/测试拆分以及可能在每个 epoch 中改组训练数据。由于您没有使用任何正则化，因此训练网络的准确性可能会因过度拟合而有很大差异。

为了验证这一点，您可以在每个 CPU 上训练第二次或第三次。无论您在哪台机器上运行它，我希望您会看到最终精度的很多变化。

* 这确实意味着，当您调整参数时，拥有更快的机器可以让您在实践中拥有更准确的最终网络，因为您可以通过多个训练会话尝试更多元参数的变体。