当我反复运行时tf.estimator.LinearRegressor，每次的结果都略有不同。我猜这是因为shuffle=True这里：
input_fn = tf.estimator.inputs.numpy_input_fn(
{"x": x_train}, y_train, batch_size=4, num_epochs=None, shuffle=True)
np就目前而言，这很好，但是当我尝试通过在和中播种随机数生成器来使其具有确定性时tf：
np.random.seed(1)
tf.set_random_seed(1)
每次的结果仍然略有不同。我错过了什么？
tf.set_random_seed设置图级种子，但它不是随机性的唯一来源，因为还有一个操作级种子，需要为每个操作提供。
不幸的是，tf.estimator.inputs.numpy_input_fn没有提供seed参数以及shuffle将它们传递给底层操作（源代码）。结果，_enqueue_data函数总是得到seed=None，这将重置您预先设置的任何种子。顺便说一句，有趣的是，许多底层 feed 函数使用标准 pythonrandom.seed进行随机播放，而不是 tensorflow random（请参阅_ArrayFeedFn、_OrderedDictNumpyFeedFn等）。
摘要：目前没有办法保证稳定的执行shuffle=True，至少在当前的 API 中是这样。您唯一的选择是自己洗牌数据并通过shuffle=False.