0

这就是我的训练脚本的样子，只有重要的部分。

import tensorflow as tf, numpy, random, os
SEED: int = 43
# To ensure reproducibility of the results after persisting into disk
tf.keras.backend.manual_variable_initialization(value=True)
os.environ['PYTHONHASHSEED']: str = '0'
numpy.random.seed(seed=SEED)
tf.random.set_seed(seed=SEED)
random.seed(a=SEED)

# Training Data acquisition 

model: tf.keras.Model = tf.keras.Sequential([
    tf.keras.layers.Input(
        shape=X_train_transformed.shape[1:],
        name='input_layer'),
    tf.keras.layers.BatchNormalization(),
    tf.keras.layers.Dense(units=UNITS, activation='relu'),
    tf.keras.layers.Dense(units=UNITS, activation='relu'),
    tf.keras.layers.Dense(units=CLASSES)])
model.save(filepath=MODEL_DIRECTORY)

这是推理脚本，在不同的 python 会话中。

import tensorflow as tf, numpy, random, os
SEED: int = 43
# To ensure reproducibility of the results after persisting into disk
tf.keras.backend.manual_variable_initialization(value=True)
os.environ['PYTHONHASHSEED']: str = '0'
numpy.random.seed(seed=SEED)
tf.random.set_seed(seed=SEED)
random.seed(a=SEED)

X_test_loaded:pandas.DataFrame=pandas.read_csv(filepath_or_buffer='../test_data/test.csv', 
                                        index_col='Unnamed: 0')
X_test_transformed: pandas.DataFrame = pandas.DataFrame(
    data=X_test_loaded.apply(func=feature_transformation, axis=1).to_list())

for _ in range(5): # Five iterations necessary to get correct result
    model=tf.keras.models.load_model(filepath=MODEL_DIRECTORY)
    y_pred=model.predict(x=X_test_transformed)

最后一个预测循环是必要的，因为该model.predict方法似乎直到五次尝试才在测试集上给出正确的结果（即在训练期间观察到的结果）。模型本身加载的权重与训练期间观察到的相同，但预测方法的输出似乎有一些周期性变化，所以每次我使用它时，我必须调用它五次以确保一致性。我不知道为什么会这样。我应该采取什么纠正措施？特别是，5 在这里看起来完全是一个神奇的数字。

如果它很重要，请在 python 3.8、Ubuntu 20.04 上运行它（并打算使用相同的 docker 映像在生产中部署），并使用以下库版本。

matplotlib==3.3.4
numpy==1.19.5
pandas==1.1.5
scikit-learn==0.24.2
tensorflow==2.5.0

编辑：经过更多的实验，我意识到周期不是 5，但实际上没有这样的周期。它在加载和预测时不断给出随机结果，有时它确实给出了正确的结果。

4

0 回答 0