在不同的运行中计算中的不可重现行为可能涉及多种机制，有时是混合的。当对大量数据（例如逆 3D 断层扫描）进行迭代计算时，它们可能特别敏感。

• 软错误，由缺陷引起，与航天器中的高能粒子相互作用（暂时排除它们）
• 数字表示，不同的系统和操作系统，以及没有充分指定浮点数的规则，如舍入、溢出、
• 代码和编译器选项：有时x=a+b不同于x=b+a（非交换性），
• 硬件管理，特别是与处理器（CPU、GPU）的异构集合上的并行化形式有关：有时，在计算（在两个单元上）或（非关联性x=a+b+c+d）时不会给出相同的结果。x=(a+b)+(c+d)x=(a+c)+(b+d)

不确定性方面可能主要来自第四种类型，因为从一个运行到另一个运行，可以执行不同的集合或不同的分组。

[编辑] 专门针对 FFTW3，文档说：

问题 3.8。FFTW 在运行之间给出不同的结果

如果您使用 FFTW_MEASURE 或 FFTW_PATIENT 模式，则 FFTW 采用的算法不是确定性的：它取决于运行时性能测量。这将导致每次运行的结果略有不同。但是，差异应该很小，大约在浮点精度上，因此对大多数应用程序应该没有实际影响。但是，如果您使用已保存的计划（智慧）或 FFTW_ESTIMATE 模式，则该算法是确定性的，并且运行之间的结果应该相同。

例如，在Not So Fast - The Hacker Factor Blog中对此进行了讨论

一些快捷方式非常快但不确定

这可以在您的情况下进行检查。

一些快速来源：

• CPU 和 GPGPU 代码中的数值精度差异，D. Yablonski，2011

• 并行数值计算中的新误差源

  ScaLAPACK 和 LAPACK 之间的一个重要区别是并行计算环境（可能由处理器的异构集合组成）引入了 LAPACK 运行的串行环境中未发现的可能错误的新来源。这些错误确实会影响任何使用浮点运算的并行算法。

• 快速可重现的浮点求和

  可重复性，即从同一程序的多次运行中获得按位相同的浮点结果，是许多用户在许多代码中进行调试或正确性检查时所依赖的属性1。然而，并行计算资源的动态调度和浮点非关联性的结合，使得即使对于简单的归约操作（例如并行计算数字向量的总和），实现可重复性也是一个挑战

• 浮点确定性：IEEE 浮点数学是确定性的吗？是与否！

FFTW 包含一些适应性，可以在您的硬件上选择最快的算法。我不是 FFTW 内部的专家，但这个库似乎不太可能导致您观察到的巨大差异，特别是因为它被广泛使用。因此我建议：

• 尝试使用尽可能多的运行时错误检查进行编译。例如，使用gfortran标志-fcheck=all在调试时会非常有帮助。不幸的是g++，似乎没有提供这样的检查，尽管-Wall -Wextra有时会有所帮助。如果可用，请尝试不同的编译器。

• 使用类似的工具运行您的程序valgrind，可能会减少问题大小，以找出未分配、未初始化或未释放的内存。

您没有提及您的代码是否并行运行，如果是这种情况，那么并行负载平衡可能是非确定性行为的来源。