神经网络算法利用了随机性，比如初始化随机权重，因此用同样的数据训练同一个网络会得到不同的结果。
初学者可能会有些懵圈，因为算法表现得不太稳定。但实际上它们就是这么设计的。随机初始化可以让网络通过学习，得到一个所学函数的很好的近似。
然而， 有时候用同样的数据训练同一个网络，你需要每次都得到完全相同的结果。例如在教学和产品上。
在这个教程中，你会学到怎样设置随机数生成器，才能每次用同样的数据训练同一网络时，都能得到同样的结果。
我们开始。
教程概览
这个教程分为六部分：
为啥我每次得到的结果都不一样？
不同结果的演示
解决方法
用Theano 后端设置随机数种子
用TensorFlow 后端设置随机数种子
得到的结果还是不同，咋办？
运行环境
-
该教程需要你安装了Python SciPy。你能用Python2或3来演示这个例子
-
需要你安装Keras (v2.0.3+)，后台为TensorFlow (v1.1.0+)或Theano (v0.9+)
-
还需要你安装了scikit-learn，Pandas，NumPy以及Matplotlib
如果在Python环境的设置方面需要帮助，请看下面这个帖子：
How to Setup a Python Environment for Machine Learning and Deep Learning with Anaconda
为啥我每次得到的结果都不一样？
我发现这对神经网络和深度学习的初学者而言是个常见问题。
这种误解可能出于以下问题：
-
我如何得到稳定的结果？
-
我如何得到可重复的结果
-
我应该如何设置种子点
神经网络特意用随机性来保证，能通过有效学习得到问题的近似函数。采用随机性的原因是：用它的机器学习算法，要比不用它的效果更好。
在神经网络中，最常见的利用随机性的方式是网络权值的随机初始化，尽管在其他地方也能利用随机性，这有一个简短的清单：
-
初始化的随机性，比如权值
-
正则化的随机性，比如dropout
-
层的随机性，比如词嵌入
-
最优化的随机性，比如随机优化
这些甚至更多的随机性来源意味着，当你对同一数据运行同一个神经网络算法时，注定得到不同的结果。
想了解更多关于随机算法的原委，参考下面的帖子
Embrace Randomness in Machine Learning
不同结果的演示
我们可以用一个小例子来演示神经网络的随机性.
在这一节中，我们会建立一个多层感知器模型来学习一个以0.1为间隔的从0.0到0.9的短序列。给出0.0，模型必须预测出0.1；给出0.1，模型必须预测出0.2；以此类推。
下面是准备数据的代码
# create sequence length = 10 sequence = [i/float(length) for i in range(length)] # create X/y pairs df = DataFrame(sequence) df = concat([df.shift(1), df], axis=1) df.dropna(inplace=True) # convert to MLPfriendly format values = df.values X, y = values[:,0], values[:,1]
我们要用的网络，有1个输入，10个隐层节点和1个输出。这个网络将采用均方差作为损失函数，用高效的ADAM算法来训练数据
这个网络需要约1000轮才能有效的解决这个问题，但我们只对它训练100轮。这样是为了确保我们在预测时能得到一个有误差的模型。
网络训练完之后，我们要对数据集进行预测并且输出均方差
建立网络的代码如下
# design network model = Sequential() model.add(Dense(10, input_dim=1)) model.add(Dense(1)) model.compile(loss='mean_squared_error', optimizer='adam') # fit network model.fit(X, y, epochs=100, batch_size=len(X), verbose=0) # forecast yhat = model.predict(X, verbose=0) print(mean_squared_error(y, yhat[:,0]))
在这个例子中，我们要建立10次网络并且输出10个不同的网络得分
完整的代码如下
from pandas import DataFrame from pandas import concat from keras.models import Sequential from keras.layers import Dense from sklearn.metrics import mean_squared_error # fit MLP to dataset and print error def fit_model(X, y): # design network model = Sequential() model.add(Dense(10, input_dim=1)) model.add(Dense(1)) model.compile(loss='mean_squared_error', optimizer='adam') # fit network model.fit(X, y, epochs=100, batch_size=len(X), verbose=0) # forecast yhat = model.predict(X, verbose=0) print(mean_squared_error(y, yhat[:,0])) # create sequence length = 10 sequence = [i/float(length) for i in range(length)] # create X/y pairs df = DataFrame(sequence) df = concat([df.shift(1), df], axis=1) df.dropna(inplace=True) # convert to MLP friendly format values = df.values X, y = values[:,0], values[:,1] # repeat experiment repeats = 10 for _ in range(repeats): fit_model(X, y)
运行这个例子会在每一行输出一个不同的精确值，具体结果也都不同。
下面是一个输出的示例
0.0282584265697 0.0457025913022 0.145698137198 0.0873461454407 0.0309397604521 0.046649185173 0.0958450337178 0.0130660263779 0.00625176026631 0.00296055161492
解决方案
下面是两个主要的解决方案。
解决方案#1：重复实验
解决这个问题传统且切实可行的方法是多次运行网络（30+），然后运用统计学方法概括模型的性能，并与其他模型作比较。
我强烈推荐这种方法，但是由于有些模型的训练时间太长，这种方法并不总是可行的。
解决方案#2：设置随机数字生成器的种子
另一种解决方案是为随机数字生成器使用固定的种子。
随机数由伪随机数生成器生成。一个随机生成器就是一个数学函数，该函数将生成一长串数字，这些数字对于一般目的的应用足够随机。
随机生成器需要一个种子点开启该进程，在大多数实现中，通常默认使用以毫秒为单位的当前时间。这是为了确保，默认情况下每次运行代码都会生成不同的随机数字序列。该种子点可以是指定数字，比如“1”，来保证每次代码运行时生成相同的随机数序列。只要运行代码时指定的种子的值不变，它是什么并不重要。
设置随机数生成器的具体方法取决于后端，我们将探究下在Theano和TensorFlow后端下怎样做到这点。
用Theano后端设置随机数种子
通常，Keras从NumPy随机数生成器中获得随机源。
大部分情况下，Theano后端也是这样。
我们可以通过从random模块中调用seed()函数的方式，设置NumPy随机数生成器的种子，如下面所示：
from numpy.random import seed seed(1)
最好在代码文件的顶部导入和调用seed函数。
这是最佳的实现方式（best practice），这是因为当各种各样的Keras或者Theano(或者其他的)库作为初始化的一部分被导入时，甚至在直接使用他们之前，可能会用到一些随机性。
我们可以在上面示例的顶端再加两行，并运行两次。
每次运行代码时，可以看到相同的均方差值的列表（在不同的机器上可能会有一些微小变化，这取决于机器的精度），如下面的示例所示：
0.169326527063 2.75750621228e-05 0.0183287291562 1.93553737255e-07 0.0549871087449 0.0906326807824 0.00337575114075 0.00414857518259 8.14587362008e-08 0.0522927019639
你的结果应该跟我的差不多（忽略微小的精度差异）。
用TensorFlow后端设置随机数种子
Keras从NumPy随机生成器中获得随机源，所以不管使用Theano或者TensorFlow后端的哪一个，都必须设置种子点。
必须在其他模块的导入或者其他代码之前，文件的顶端部分通过调用seed()函数设置种子点。
from numpy.random import seed seed(1)
另外，TensorFlow有自己的随机数生成器，该生成器也必须在NumPy随机数生成器之后通过立马调用 set_random_seed() 函数设置种子点。
from tensorflow import set_random_seed set_random_seed(2)
要明确的是，在代码文件的顶端，在其他之前，一定要有以下4行：
from numpy.random import seed seed(1) from tensorflow import set_random_seed set_random_seed(2)
你可以使用两个相同或者不同的种子。我认为这不会造成多大差别，因为随机源进入了不同的进程。
在以上示例中增加这4行，可以使代码每次运行时都产生相同的结果。你应该看到与下面列出的相同的均方差值（也许有一些微小差别，这取决于不同机器的精度）：
0.224045112999 0.00154879478823 0.00387589994044 0.0292376881968 0.00945528404353 0.013305765525 0.0206255228201 0.0359538356108 0.00441943512128 0.298706569397
你的结果应该与我的差不多（忽略精度的微小差异）。
如果我仍然得到不同的结果，怎么办？
为了重复迭代，报告结果和比较模型鲁棒性最好的做法是多次（30+）重复实验，并使用汇总统计。如果这是不可行的，你可以通过为代码使用的随机数发生器设置种子来获得100%可重复的结果。
如果你已经按照上面的说明去做，仍然用相同的数据从相同的算法中获得了不同的结果，怎么办？
这可能是有其他的随机源你还没有考虑到。
来自第三方库的随机性
也许你的代码使用了另外的库，该库使用不同的也必须设置种子的随机数生成器。
试着将你的代码简化到最低要求（例如，一个数据样本，一轮训练等等），并仔细阅读API文档，尽力减少可能引入随机性的第三方库。
使用GPU产生的随机性
以上所有示例都假设代码是在一个CPU上运行的。
这种情况也是有可能的，就是当使用GPU训练模型时，可能后端设置的是使用一套复杂的GPU库，这些库中有些可能会引入他们自己的随机源，你可能会或者不会考虑到这个。
例如，有证据显示如果你在堆栈中使用了 Nvidia cuDNN，这可能引入额外的随机源（ introduce additional sources of randomness），并且使结果不能准确再现。
来自复杂模型的随机性
由于模型的复杂性和训练的并行性，你可能会得到不可复现的结果。
这很可能是由后端库的效率造成的，或者是不能在内核中使用随机数序列。我自己没有遇到过这个，但是在一些GitHub问题和StackOverflowde问题中看到了一些案例。
如果只是缩小成因的范围的话，你可以尝试降低模型的复杂度，看这样是否影响结果的再现。
我建议您阅读一下你的后端是怎么使用随机性的，并看一下是否有任何选项向你开放。在Theano中，参考：
在TensorFlow中，参考：
Constants, Sequences, and Random Values
另外，为了更深入地了解，考虑一下寻找拥有同样问题的其他人。一些很好的搜寻平台包括GitHub、StackOverflow 和 CrossValidated。
总 结
在本教程中，你了解了如何在Keras上得到神经网络模型的可重复结果。特别是，你学习到了：
-
神经网络是有意设计成随机的，固定随机源可以使结果可复现。
-
你可以为NumPy和TensorFlow的随机数生成器设置种子点，这将使大多数的Keras代码100%的可重复使用。
-
在有些情况下存在另外的随机源，并且你知道如何找出他们，或许也是固定它们。
via machine learning mastery，雷锋网崔静闯、朱婷编译
