tensorflow - 如何获得可重现的结果（Keras、Tensorflow）：

Question

为了使结果可重现，我将 20 多篇文章加红，并在我的脚本中添加了最大的功能......但失败了。

在我红色的官方来源中，有 2 种种子 - 全局和可操作的。可能是，解决我的问题的关键是设置操作种子，但我不明白在哪里应用它。

请您帮助我使用 tensorflow（版本 > 2.0）实现可重现的结果吗？非常感谢你。

from keras.models import Sequential
from keras.layers import Dense
import numpy as np
import pandas as pd
from sklearn.metrics import confusion_matrix
from sklearn.model_selection import train_test_split
from keras.optimizers import adam
from sklearn.preprocessing import MinMaxScaler


np.random.seed(7)
import tensorflow as tf
tf.random.set_seed(7) #analogue of set_random_seed(seed_value)
import random
random.seed(7)
tf.random.uniform([1], seed=1)
tf.Graph.as_default #analogue of  tf.get_default_graph().finalize()

rng = tf.random.experimental.Generator.from_seed(1234)
rng.uniform((), 5, 10, tf.int64)  # draw a random scalar (0-D tensor) between 5 and 10

df = pd.read_csv("s54.csv", 
                 delimiter = ';', 
                 decimal=',', 
                 dtype = object).apply(pd.to_numeric).fillna(0)

#data normalization
scaler = MinMaxScaler() 
scaled_values = scaler.fit_transform(df) 
df.loc[:,:] = scaled_values


X_train, X_test, y_train, y_test = train_test_split(df.iloc[:,1:],
                                                    df.iloc[:,:1],
                                                    test_size=0.2,
                                                    random_state=7,
                                                    stratify = df.iloc[:,:1])

model = Sequential()
model.add(Dense(1200, input_dim=len(X_train.columns), activation='relu'))  
model.add(Dense(150, activation='relu'))
model.add(Dense(80, activation='relu'))
model.add(Dense(10, activation='relu'))
model.add(Dense(1, activation='sigmoid')) 

loss="binary_crossentropy"
optimizer=adam(lr=0.01)
metrics=['accuracy']
epochs = 2
batch_size = 32
verbose = 0

model.compile(loss=loss,  
              optimizer=optimizer, 
              metrics=metrics) 
model.fit(X_train, y_train, epochs = epochs, batch_size=batch_size, verbose = verbose)
predictions = model.predict(X_test)
tn, fp, fn, tp = confusion_matrix(y_test, predictions>.5).ravel()

标签： tensorflowkerasneural-networktensorflow2.0

Answer 1

作为文档
操作的参考，依赖于随机种子的操作实际上是从两个种子中派生出来的：全局种子和操作级种子。这设置了全局种子。

它与操作级种子的交互如下：

1. 如果既没有设置全局种子也没有设置操作种子：此操作使用随机挑选的种子。
2. 如果未设置操作种子但设置了全局种子：系统从全局种子确定的种子流中选择操作种子。
3. 如果设置了操作种子，但未设置全局种子：使用默认全局种子和指定的操作种子来确定随机序列。
4. 如果全局和操作种子都设置了：两个种子一起使用来确定随机序列。

第一种情况

默认情况下会选择随机种子。通过结果可以很容易地注意到这一点。每次重新运行程序或多次调用代码时，它都会有不同的值。

x_train = tf.random.normal((10,1), 1, 1, dtype=tf.float32)
print(x_train)

第二个场景

全局已设置，但操作尚未设置。尽管它从第一个和第二个随机生成了不同的种子。如果重新运行或重新启动代码。两者的种子仍然是相同的。它一遍又一遍地产生相同的结果。

tf.random.set_seed(2)
first = tf.random.normal((10,1), 1, 1, dtype=tf.float32)
print(first)
sec = tf.random.normal((10,1), 1, 1, dtype=tf.float32)
print(sec)

第三种情况

对于这种情况，设置了操作种子但不是全局的。如果你重新运行代码，它会给你不同的结果，但如果你重新启动运行时，如果你重新运行，它会给你与上一次运行相同的结果序列。

x_train = tf.random.normal((10,1), 1, 1, dtype=tf.float32, seed=2)
print(x_train)

第四种情况

两个种子都将用于确定随机序列。更改全局和操作种子会产生不同的结果，但使用相同的种子重新启动运行时仍会产生相同的结果。

tf.random.set_seed(3)
x_train = tf.random.normal((10,1), 1, 1, dtype=tf.float32, seed=1)
print(x_train) 

创建了一个可重现的代码作为参考。
通过设置全局种子，它总是给出相同的结果。

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import numpy as np
import pandas as pd
from sklearn.metrics import confusion_matrix
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler

## GLOBAL SEED ##                                                   
tf.random.set_seed(3)
x_train = tf.random.normal((10,1), 1, 1, dtype=tf.float32)
y_train = tf.math.sin(x_train)
x_test = tf.random.normal((10,1), 2, 3, dtype=tf.float32)
y_test = tf.math.sin(x_test)

model = Sequential()
model.add(Dense(1200, input_shape=(1,), activation='relu'))  
model.add(Dense(150, activation='relu'))
model.add(Dense(80, activation='relu'))
model.add(Dense(10, activation='relu'))
model.add(Dense(1, activation='sigmoid')) 

loss="binary_crossentropy"
optimizer=tf.keras.optimizers.Adam(lr=0.01)
metrics=['mse']
epochs = 5
batch_size = 32
verbose = 1

model.compile(loss=loss,  
              optimizer=optimizer, 
              metrics=metrics) 
histpry = model.fit(x_train, y_train, epochs = epochs, batch_size=batch_size, verbose = verbose)
predictions = model.predict(x_test)
print(predictions)

注意：如果您使用 TensorFlow 2 更高版本，Keras 已经在 API 中，因此，您应该使用 TF.Keras 而不是原生的。
所有这些都是在google colab上模拟的。