我有一个用于构建keras顺序模型的python脚本。每次我得到不同的结果而不改变脚本。请仔细看看剧本。我错了，请帮忙。
thedata = pandas.read_csv("C:/User/Downloads/LSTM/data.csv", sep=', ', delimiter=',', header='infer', names=None)
np.random.seed(1337)
x = thedata['Review']
y = thedata['Polarity_Numeral']
x = x.iloc[:].values
y = y.iloc[:].values
tk = Tokenizer(num_words=40000, lower=True, split=" ")
tk.fit_on_texts(x)
x = tk.texts_to_sequences(x)
max_len = 120
x = pad_sequences(x, maxlen=max_len)
max_features = 40000
testx = x[51000:52588]
print (testx)
testy = y[51000:52588]
x = x[0:50999]
y = y[0:50999]
model = Sequential()
model.add(Embedding(max_features, 128, input_length=max_len))
model.add(SpatialDropout1D(0.3))
model.add(GaussianNoise(0.2))
model.add(LSTM(128 , dropout_W=0.3, dropout_U=0.3, return_sequences=False))
model.add(Dense(1, W_regularizer=l2(0.2)))
model.add(Activation('sigmoid'))
model.summary()
adam = Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-08, decay=0.00)
model.compile(loss='binary_crossentropy', optimizer=adam,metrics = ['accuracy'] )
model_history = model.fit(x, y=y, batch_size=64, epochs=1, verbose=1,validation_split = 0.2)
model.save('C:/User/Downloads/model.h5')
model.save_weights('C:/User/Downloads/weight_model.h5')
predictions = model.predict(testx)
print (predictions)
在第一次运行时，我得到了57％ 第二次运行.. 53％ 第三名.. 55％ 每次随意变化。 谢谢你的帮助！
答案 0 :(得分：2)
如果你正在跑步＆＃34;确切地说＆＃34;该代码，知道您完全创建新模型。
您没有加载模型，您没有将自己的权重添加到模型中。 您只需创建一个新模型，并使用全新的随机权重集。
所以，是的，它会产生不同的结果。没有任何错误。
你可能应该使用某种＆＃34;加载保存的模型＆＃34; （如果你想要保留相同的模型，可能model.load_weights()）。 （如果您将模型保存在某处）
或者你应该＆＃34; set_weights（）＆＃34;在创建模型后的某个时刻（如果你知道你想要什么样的重量，或者你是否保存了你的重量）
或者，如果您想要一个具有已知权重的新模型，您可以在每个图层中使用初始值设定项（如另一个答案中所述）。
答案 1 :(得分：1)
此代码用于tensorflow后端
这是因为权重是使用随机数初始化的，因此每次都会得到不同的结果。这是预期的行为。要获得可重现的结果，您需要将随机种子设置为：
import tensorflow as tf
import random as rn
os.environ['PYTHONHASHSEED'] = '0'
# Setting the seed for numpy-generated random numbers
np.random.seed(37)
# Setting the seed for python random numbers
rn.seed(1254)
# Setting the graph-level random seed.
tf.set_random_seed(89)
from keras import backend as K
session_conf = tf.ConfigProto(
intra_op_parallelism_threads=1,
inter_op_parallelism_threads=1)
#Force Tensorflow to use a single thread
sess = tf.Session(graph=tf.get_default_graph(), config=session_conf)
K.set_session(sess)
# Rest of the code follows from here on ...
答案 2 :(得分：0)