TensorFlow与scikit-learn导入顺序导致计算结果异常原因咨询

嘿，这个问题我之前也碰到过类似的情况，咱们来拆解一下到底是怎么回事：

核心原因：旧版本库的底层线性代数环境冲突 #

你用的numpy 1.13.1、sklearn 0.19.0、tensorflow 1.3.0刚好是这类冲突的重灾区，问题出在底层BLAS/LAPACK线性代数库的线程配置和全局状态修改上：

• 当你先导入TensorFlow时，它会优先初始化自己的计算环境，要么修改numpy的全局线程设置，要么直接接管BLAS库的资源分配逻辑，甚至会替换numpy部分底层函数的实现。
• 之后导入的scikit-learn依赖这些线性代数库做精确计算，但此时环境已经被TensorFlow修改，导致计算过程中出现精度丢失、数值溢出或者线程竞争的问题，最终得到离谱的异常结果（130091393261440.25明显是数值溢出后的错误值）。
• 反过来先导入scikit-learn的话，它会先正确初始化自己需要的线性代数计算上下文，后续TensorFlow的导入虽然也会做自身配置，但不会破坏已有的稳定环境，所以计算结果是正常的（1.7766212763101197e-12是接近0的合理误差值）。

解决办法 #

给你几个可行的方案：

1. 升级包版本（最彻底）：TensorFlow 1.14+、scikit-learn 0.20+以及numpy 1.16+的版本都修复了这类底层库冲突的问题，升级后不管导入顺序如何，计算结果都会保持一致。
2. 强制固定BLAS线程数：在代码最开头添加环境变量设置，避免多线程环境下的状态冲突：

   import os
   os.environ["OMP_NUM_THREADS"] = "1"
   os.environ["MKL_NUM_THREADS"] = "1"
   

3. 固化导入顺序：如果暂时没法升级包，就固定先导入scikit-learn再导入TensorFlow的顺序，确保计算环境初始化的优先级正确。

内容的提问来源于stack exchange，提问作者user9431424