正如您所见，仅设置 numpy 随机种子是不够的 - Keras 文档还指出，有必要设置：

• python哈希种子
• 核心python rng
• 您后端到 keras 的随机种子
• 并强制您的后端使用单个线程。

所有这些的交互通常会导致不同的损失值，这主要是由于随机权重初始化的变化，这些数据最终会出现在你的训练/验证/测试拆分中，以及数据传递给模型进行训练的顺序。

正如其他人所提到的，少量的差异是可以预料的，当然不值得限制你的表现（通过将自己限制在一个线程中）；设置种子和 rng 应该足以让人们满意，您的结果是可重复的。

如果在采取这些步骤后您的结果仍然存在不可接受的差异，那么这可能表明您的模型很脆弱并且可能无法很好地推广到新数据，因此您需要解决这个问题。

最后的想法 - 当你说每次运行模型单元时值都不同时，你是在删除/覆盖你已经训练过的模型吗？如果您在现有模型/权重值上运行模型单元，那么这与训练更多时期相同，并且通常会对您的结果产生很大影响。

围绕这个主题有几件事需要了解：

Keras 后端

使用 Keras 可能很难获得相同的结果。这是因为它是对低级库的封装，例如Tensorflow、Theano 和 CNTK。

使用这些后端，构建了一个静态图，表示网络中的所有计算步骤。然后，这允许执行自动微分（以及反向传播）。构建的图形可能分为几个块。例如，在 Tensorflow 中，您可以使用上下文管理器来区分何时以及如何更新权重（主要是使用with块。

如果您的模型确实有这些（在引擎盖下或其他地方！），您需要在每个块中设置一个随机种子。您可以在此处了解更多有关此主题的信息。

灾难性取消

除了上述之外，Tensorflow（可能还有其他框架）中还有一些运算符，它们使用近似/简化来提高效率和速度。tf.reduce_sum是一个示例，它引入了可能导致准确性变化的不确定性偏差。该运算符用于将模型的错误相加，并将以我们无法知道顺序（或使用种子设置）的并行方式进行。出现问题是因为该运算符中使用的数字总和不是可交换的。

例子：

如果我将数字1 + 2 + 7或数字相加7 + 1 + 2，两者都会给我们 10 的结果——因为加法是可交换的。但是，在浮点加法中，我们添加的数字如1.2223427 + 7.0195516 + 1.9719819, （或实际上具有更多小数位的数字）将会降低准确性，因为我们无法保留所有信息......可以想象它就像舍入错误。它也被称为灾难性取消。在此处查看更多详细信息。

在这种情况下，我们将数字相加的顺序很重要！正如我之前提到的，操作的并行化意味着我们无法知道操作的顺序，因此我们不能保证相同的算法运行得到相同的答案，同时仍然享受并行计算！

实用性

尽管这可能会让一些人头疼，因为可重复性是一个很大的问题——无论是在学术研究中还是在行业应用中——由于这种伪随机性和并行化/求和错误导致的结果变化在大局中确实可以忽略不计。

在深度神经网络中改变一个层，改变学习率或正则化都是更重要的因素，并且会在结果上产生更大的差异。它们还对您作为从业者做出的知识和决定进行编码。我建议花时间考虑这些事情，而不要担心这些小问题。

奖金

Python Guru & Core DEv 有一篇不错的帖子：Raymond Hettinger，他在其中展示了如何保持浮点数求和的完全精度。它涉及跟踪小计，可用于确保最终总和不会导致任何精度损失。

np.random.seed(1234)如果在导入 Keras 之前 初始化伪随机数生成器（