结构相近的Keras模型输出结果不同，求差异原因

从给出的代码来看，两个模型的网络结构看似一致，但输出始终不同，核心原因及差异点如下：

• 权重初始化的随机性：
  两个模型的所有层（除输出层明确指定normal初始化外）都会进行随机权重初始化，而normal初始化本身也是基于随机分布生成权重。即使结构完全相同，不同模型的初始权重集合是随机的，这会直接导致前向传播输出不同。如果需要让两个模型输出一致，必须在创建模型前固定全局随机种子：

  import tensorflow as tf
  import numpy as np
  
  tf.random.set_seed(42)
  np.random.seed(42)
  

• 层的实例化方式差异：
  模型1提前实例化所有层对象（Input、hidden、hidden2、output），再将这些对象传入Sequential；模型2则是在Sequential内部直接实例化每一层。这种方式的差异本身不会改变网络结构，但如果模型1的层对象被其他代码重复使用（比如加入另一个模型），会触发权重共享，导致输出异常。在当前给出的代码中，每个层仅被使用一次，所以该差异主要影响初始化时的随机状态，间接导致输出不同。

• 潜在的导入不一致问题：
  模型1中Dense使用完整路径tf.keras.layers.Dense，但Dropout直接调用；模型2中Dense和Dropout均直接调用。如果两者的Dropout来自不同的导入路径（比如模型1用from keras.layers import Dropout，模型2用from tensorflow.keras.layers import Dropout），虽然功能相近，但底层实现的细微差异也可能导致输出不同。

内容的提问来源于stack exchange，提问作者Filbert Anderson