【问题标题】：Why tflearn prediction model accuracy are different. when same data(training data) training on different systems?为什么 tflearn 预测模型的准确率不同。当在不同系统上训练相同的数据（训练数据）时？
【发布时间】：2018-05-18 19:26:28
【问题描述】：

更新

我目前正在研究Tflearn. 我有一个关于 Tensorflow tflearn 模型的问题。我的 tflearn 模型运行良好。但我对这个模型有一些疑问。我已通过sentence data 进行培训。当我在一台计算机上通过sentence data 时，我就有了一个模型。之后，我在另一台计算机上通过了same sentence data，然后得到了第二个模型。我已经测试过这两个模型。所以我通过了input sentence data 的一个模型。然后通过模型二的same input sentence data 然后我观察到input data were same 和training data were same 但是这两个模型的输出有70-80% 相似。由于随机性，20-30% 会有所不同。如何消除模型中的这种随机性？我们正在使用 DNN。

更新模型语法

我用过下面的模型：-

train_x = list(self.training[:, 0])

train_y = list(self.training[:, 1])

tf.reset_default_graph()

net = tflearn.input_data(shape=[None, len(train_x[0])])

net = tflearn.fully_connected(net, 8)

net = tflearn.fully_connected(net, len(train_y[0]), activation='softmax')

net = tflearn.regression(net,optimizer='sgd',shuffle_batches=False, learning_rate=0.1,loss='categorical_crossentropy')

model = tflearn.DNN(net, tensorboard_dir='tflearn_logs')

model.fit(train_x, train_y, n_epoch=500, batch_size=8, show_metric=True)

【问题讨论】：

您是否在训练为随机权重之前初始化了您的模型？这会在每次训练时产生不同的模型。
@jmkmay 没有得到你。您能否对此进行更多描述？请参阅上面更新的问题。
当你初始化一个模型（即，起始权重是多少）时，它们必须是非零的。可以使用多种猜测（研究领域本身），但最简单最标准的方法是分配一个随机数。如果您运行两个单独的训练例程并且每个例程以不同的随机数开始，您会看到最终模型的变化。
@jmkmay 我们的模型从零初始化。我已将same data 传递给两种不同的机器型号。经过训练，我们将same input 传递给了两个不同的机器模型。一个模型已经在 same epoch 和 same batch size. 上进行了训练，为什么模型输出不同（变化 5-10%）？.
没有minimal, complete, and verifiable example，我们无能为力。

标签： tensorflow machine-learning neural-network deep-learning tflearn

【解决方案1】：

根据我的个人经验，您在将训练数据转换为数组之前随机打乱了训练数据。尝试在您的代码中搜索random.shuffle(self.training)，并注释该行。

【讨论】：