相同数据与超参数下训练H2O自动编码器结果是否应一致？

这是正常现象，核心原因在于H2O深度学习模型（包括自动编码器）训练时的随机性设计：

• 默认状态下，h2o.DeepLearningEstimator会启用随机权重初始化，每次训练的初始权重都是随机生成的，这会导致模型收敛路径和最终权重存在差异，进而影响重构分数。
• 如果数据划分（比如训练集/验证集的拆分）包含随机性（哪怕你觉得数据基本一致，若未固定随机种子），也会引入结果波动。

若需要固定训练结果，可通过以下方式消除随机性：

• 初始化模型时设置seed参数（例如seed = 1234），固定随机权重初始化和数据拆分的随机种子。
• 确保训练数据完全固定（包括行顺序、无动态生成的特征），避免数据层面的隐性差异。

补充说明：即使固定种子，若使用GPU训练，部分CUDA操作的并行随机性可能仍会导致微小差异，但CPU训练下结果会完全一致。

内容的提问来源于stack exchange，提问作者Aengus