我有一个简单的 lstm 模型
model =Sequential()
model.add(LSTM(100, activation='relu', input_shape=(n_input,n_features)))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')
model.summary()
我在相同的数据上训练和测试，但每次我得到不同的预测。为什么？
如果模型参数和训练和测试相同，为什么每次运行的预测都会发生变化？
如果结果不可重现，那么训练和测试 lstm 模型的意义何在？
rmse 值几乎相似，但每次运行的预测值都相差甚远。
您是否在代码中的任何位置指定随机种子？如果您不这样做，这可能就是为什么您的 RMSE 值在每次运行训练/测试数据集时都不同的原因。
您可以使用该set_random_seed()函数来设置随机种子并使您的训练更具确定性。您也可以使用enable_op_determinism()它来使其更具确定性，但训练速度会因此受到影响。
import tensorflow as tf
tf.keras.utils.set_random_seed(1)
tf.config.experimental.enable_op_determinism()
utils.set_random_seed()将自动设置 和 的种子，random.seed()如numpy.random.seed()您在链接文档中所见，因此您无需导入和设置它们。
第二点，您是在训练之前拆分训练/测试集还是使用 Tensorflow/Keras 的内置函数来执行此操作？如果是这样，数据拆分也将根据随机种子而变化。