TensorFlow LSTM分类器存后加载，同数据预测结果不一致

以下是针对该问题的具体排查方向：

• 检查模型模式差异
  若模型包含Dropout、BatchNormalization这类依赖训练/预测模式的层，需确认加载后的模型是否处于预测模式：

  • 原脚本和新脚本中，预测时都应使用model.predict()（该方法会自动切换到预测模式），避免误调用model.fit()或手动开启训练模式。
  • 可打印各层的训练状态验证：

    for layer in lstm.layers:
        if hasattr(layer, 'training'):
            print(layer.name, layer.training)
    

• 核对TensorFlow版本
  不同版本的TensorFlow/Keras对模型保存、层实现的细节可能存在差异，导致预测结果偏差。在两边环境中执行以下命令确认版本完全一致：

  import tensorflow as tf
  print(tf.__version__)
  

• 排查自定义指标的影响
  自定义召回指标若包含状态性逻辑（如批次统计缓存），可能在加载时未正确恢复状态，或新脚本中指标初始化逻辑与原脚本不同：

  • 尝试移除自定义指标后重新保存模型，再加载测试预测结果是否一致。

• 确认输入数据类型与精度
  输入数据的 dtype 不一致（如原脚本为float32，新脚本为float64）会导致计算结果出现细微偏差，可打印输入数据类型验证：

  print(input_data.dtype)
  

• 统一随机种子设置
  虽然模型权重已固定，但全局随机种子缺失可能引发内部操作的细微差异。在新脚本开头添加与原脚本完全相同的随机种子设置：

  import tensorflow as tf
  import numpy as np
  tf.random.set_seed(你的种子值)
  np.random.seed(你的种子值)
  

• 验证权重完整性
  对比原脚本与新脚本中模型的权重是否完全一致，排除加载过程中的权重损坏或丢失：

  import numpy as np
  # 在原脚本中提取权重
  weights_old = lstm_old.get_weights()
  # 在新脚本中提取权重
  weights_new = lstm_new.get_weights()
  # 逐数组对比
  for w1, w2 in zip(weights_old, weights_new):
      print(np.allclose(w1, w2))
  

内容的提问来源于stack exchange，提问作者Paul Williamson