Keras和Tensorflow具有相同的重量但不同的测试精度

Question

我已经训练了Tensorflow模型，然后构建了它的等效Keras模型并将学到的权重加载到其中。 但是，我在Keras中获得了不同的测试精度（例如Tensorflow中的98.5％与98％相比）。 我用这种方式定义了张量流的准确度：

accuracy = tf.cast(tf.equal(tf.argmax(input_labels, 1), tf.argmax(output, 1)), tf.float32)

在Keras，我使用了它的标准指标：

model.compile(optimizer=tf.train.AdamOptimizer(), loss='categorical_crossentropy', metrics=['accuracy'])

accuracy = model.evaluate(x=test_images, y=test_labels, batch_size=BATCH_SIZE)

我很困惑这种差异来自哪里。

修改 由于我不相信答案，我花了几天时间更多地研究代码，直到我发现一个导致这种差异的错误，并且在修复它之后，两个框架现在产生相同的结果，具有与预期相同的权重。 我正在编写此编辑以防止其他读者混淆，因为Stackoverflow不允许我删除该问题。

Answer 1

一个可能的原因：模型中的辍学层。

根据the source code，内部随机逻辑由tf.random_uniform实施，会在每次调用sess.run()时随机生成新值。

Answer 2

这是我实现中的一个错误（我错误地在Tensorflow中应用了一些优化迭代）导致了这种差异。现在使用相同的权重集，Keras和Tensorflow都会产生相同的结果。