为什么我会为同一个数据集得到不同的输出？答案

【问题标题】：Why am I getting different outputs for the same dataset?为什么我会为同一个数据集得到不同的输出？
【发布时间】：2021-06-14 12:55:08
【问题描述】：

此代码旨在尝试预测加密货币的未来价格。当我给它提供数据时，它每次都会输出不同的东西。这是为什么呢？

完整代码链接：https://pastebin.com/cEfDCL8H

这段代码输出的内容似乎是随机的，我不知道为什么。

x,y = preprocess_df(test_df)

model = tf.keras.models.load_model('models/RNN_Final-15-0.972.model')

prediction = model.predict(x)

print("15 Min Prediction(0): " + str(CATEGORIES[np.argmax(prediction[0])]))

【问题讨论】：

标签： python tensorflow machine-learning recurrent-neural-network

【解决方案1】：

在神经网络初始化时，会分配随机权重。这会在最终输出中产生差异。为避免这种情况，您可以使用随机种子，以便每次应用相同的随机权重。

例如：您需要在所有需要的变量中设置种子，如 here 所述：

# Set a seed value
seed_value= 12321 
import os

# 1. Set `PYTHONHASHSEED` environment variable at a fixed value
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 `tensorflow` pseudo-random generator at a fixed value
import tensorflow as tf
tf.set_random_seed(seed_value)

# 5. For layers that introduce randomness like dropout, make sure to set seed values 

model.add(Dropout(0.25, seed=seed_value))

【讨论】：

在添加 from numpy.random import seed seed(1) tf.random.set_seed(2) 后，我仍然得到随机结果
@LawnmoersTheEpicGamer 我更新了答案，请查看。
好吧，我会重新训练我的模型，然后用结果回复你
重新训练后依然不一致
我很高兴它有所帮助。 :)