我太懂这种每次跑模型结果都不一样的烦躁了！你已经做了不少基础的种子设置，但TensorFlow/Keras的LSTM要实现完全可复现，还有几个容易漏掉的关键环节——咱们一步步来搞定：

你当前代码的潜在遗漏点 #

你已经覆盖了Python、NumPy和TensorFlow的基础种子设置，但忽略了两个核心问题：

• GPU训练时的cuDNN不确定性操作（如果用GPU的话，这是绝大多数复现失败的原因）
• 没有强制TensorFlow的全局确定性模式，还有模型构建时机是否完全在种子设置之后

完整的可复现解决方案 #

以下是经过验证的、能让LSTM模型结果完全一致的配置步骤，直接替换你的代码即可：

第一步：提前配置全局种子与确定性环境 #

一定要在导入TensorFlow/Keras模块之前就完成这些配置，否则部分模块会提前初始化随机状态，导致种子设置失效：

import os
import numpy as np
import random as rn

# 关闭Python哈希随机性
os.environ['PYTHONHASHSEED'] = '0'
# 开启TensorFlow确定性模式（核心！）
os.environ['TF_DETERMINISTIC_OPS'] = '1'
os.environ['TF_CUDNN_DETERMINISTIC'] = '1'

# 设置NumPy种子
np.random.seed(37)
# 设置Python原生随机种子
rn.seed(1254)
# 设置TensorFlow全局随机种子
import tensorflow as tf
tf.random.set_seed(89)

# 强制TensorFlow使用单线程，避免多线程调度的随机性
session_conf = tf.compat.v1.ConfigProto(
    intra_op_parallelism_threads=1,
    inter_op_parallelism_threads=1
)
sess = tf.compat.v1.Session(graph=tf.compat.v1.get_default_graph(), config=session_conf)
tf.compat.v1.keras.backend.set_session(sess)

第二步：模型构建与训练（确保无额外随机性） #

接下来的模型定义、编译和训练都要放在上面的配置之后，同时显式配置优化器，避免默认参数的潜在随机性：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

# 假设你的n_steps和n_features已经提前定义好
model = Sequential()
model.add(LSTM(200, activation='relu', input_shape=(n_steps, n_features)))
model.add(Dense(1))

# 显式配置Adam优化器，固定所有参数
optimizer = tf.keras.optimizers.Adam(
    learning_rate=0.001,
    beta_1=0.9,
    beta_2=0.999,
    epsilon=1e-07,
    amsgrad=False
)
model.compile(optimizer=optimizer, loss='mse')

# 训练时保持shuffle=False（你已经做了，这点很好）
model.fit(X, y, epochs=50, verbose=0, shuffle=False)
model.reset_states()

# 预测与评估
yhat = model.predict(X, verbose=0)
m = yhat.shape[0]
print("MSE: ", (1/m) * np.sum(np.square(np.subtract(y, yhat))))
print("RMSE: ", np.sqrt((1/m) * np.sum(np.square(np.subtract(y, yhat)))))

关键细节解释 #

• TF_DETERMINISTIC_OPS和TF_CUDNN_DETERMINISTIC：这两个环境变量会强制TensorFlow的GPU操作（比如LSTM的cuDNN实现）使用确定性算法，彻底消除GPU带来的随机性，这是最容易被忽略的核心配置！
• 种子设置时机：必须在导入TensorFlow之前就设置环境变量和基础种子，否则TensorFlow内部的随机初始化会先于你的种子设置执行。
• 单线程会话：多线程并行计算会因为线程调度顺序的随机性导致结果不一致，强制单线程可以避免这个问题。
• 显式优化器配置：虽然Adam的默认参数是确定的，但显式写出所有参数可以避免TensorFlow版本更新带来的默认值变化，确保长期可复现。

如果这样调整后还是有问题，建议检查你的数据集X和y是否每次都完全一致（比如是否有动态生成的随机数据），或者模型中是否有其他带随机行为的层（比如Dropout，你这里没有用到）。

内容的提问来源于stack exchange，提问作者Iwan