为何CatBoostClassifier在不同CPU上训练会得到不一致的结果

问题根本原因 #

CatBoost默认开启了CPU架构自适应的SIMD指令集优化（如AVX、AVX2、AVX512等），不同型号的Intel CPU支持的指令集不同，会导致浮点数运算顺序、精度计算逻辑存在差异；同时默认采用自动匹配CPU核心数的多线程训练策略，线程调度的非确定性也会影响树节点分裂点的计算结果，最终导致完全相同的参数和数据下，不同CPU训练出的树结构存在明显差异，才会出现预测概率差到小数点后第1位的情况。

你观察到「训练好的模型跨设备迁移预测结果一致」是正常现象：训练完成的模型已经固化了所有树的结构和分裂阈值，预测阶段的前向计算逻辑是完全确定的，即便底层指令集有差异，也不会出现量级级的结果偏差。

可复现训练需要修改的参数 #

你只需要在初始化CatBoostClassifier时额外添加两个参数即可：

• 开启确定性训练模式：deterministic_mode=True
  这个参数是CatBoost专门为跨环境复现训练结果设计的，会关闭所有会引入非确定性的运算逻辑，包括CPU指令集自适应优化、多线程调度的随机逻辑。
• 固定训练线程数：thread_count=固定整数
  不要使用默认的thread_count=-1（自动适配当前设备CPU核心数），显式指定固定的线程数（比如你常用的设备是8核就设为8，所有环境都用同一个值），消除线程数差异带来的计算逻辑变化。

再配合你已经设置的random_state=42，就能保证不同CPU、不同环境下的训练结果完全一致，最多只会出现小数点后15位之后的浮点精度误差，不会有可感知的结果差异。
额外注意：需要保证所有训练环境的CatBoost大版本号一致，跨大版本的算法逻辑迭代也可能导致训练结果无法复现。

内容的提问来源于stack exchange，提问作者Ivan Nguyen