TensorFlow技术问题：重复运行结果不一致及CNN准确率计算异常

问题1：没更新参数，同一位置跑两次代码结果咋不一样？ #

这基本都是随机性操作在搞怪，给你列几个最常见的原因：

• 参数随机初始化：要是你每次运行都重新创建模型，TensorFlow默认会用随机分布初始化权重，哪怕代码一模一样，初始权重也会有差异，输出自然不同。
• Dropout的随机丢弃：训练时Dropout会随机“关掉”部分神经元，哪怕参数没动，每次前向传播丢的神经元都不一样，结果肯定变。要是推理时没把Dropout切到关闭状态（也就是没设training=False），也会出这问题。
• 数据加载的随机性：如果你的数据加载器开了shuffle=True，每次迭代的样本顺序都乱，输入数据变了，模型输出当然跟着变。
• 数据增强的随机性：比如训练时加了随机裁剪、翻转这些增强操作，每次输入的预处理结果都不一样，输出也会有差异。

解决起来也简单：

• 要复现结果的话，把全局随机种子都设好：tf.random.set_seed(42)，同时Python和Numpy的种子也得同步设（import random; random.seed(42)、import numpy as np; np.random.seed(42)）。
• 推理阶段一定要把模型切到非训练模式：调用模型时传model(inputs, training=False)。
• 数据加载如果不需要打乱顺序，就把shuffle改成False，或者固定shuffle的种子。

问题2：计算准确率时y值乱变，参数没更新咋整？ #

从你说的情况来看，核心问题应该是算准确率的时候，模型还处于「训练模式」，触发了Dropout这类随机操作，或者不小心在梯度计算的上下文里跑评估，导致模型状态悄悄变了，哪怕权重没更新，每次前向传播结果也不一样。给你几个具体的排查和解决步骤：

1. 评估时务必切到推理模式 #

如果模型里有Dropout、BatchNorm这类层，训练和推理时的行为完全不一样：

• 训练时Dropout随机丢神经元，BatchNorm用当前批次的均值方差；
• 推理时Dropout不丢神经元，BatchNorm用训练好的全局均值方差。

所以算准确率的时候，一定要明确告诉模型“我现在是在评估，不是训练”：

# 错误示范：默认用了training=True（或者没指定）
y_pred = model(x_test)
# 正确示范：手动设置training=False
y_pred = model(x_test, training=False)

2. 别在GradientTape里算准确率 #

要是你在tf.GradientTape的上下文里计算准确率，哪怕你没更新参数，Tape会追踪张量的梯度信息，可能触发BatchNorm的滑动均值更新（这也是模型状态的一部分），导致结果变化。正确的做法是把评估代码放在Tape外面：

# 错误示范：在GradientTape里算准确率
with tf.GradientTape() as tape:
    y_pred_train = model(x_train, training=True)
    loss = loss_fn(y_true_train, y_pred_train)
    # 这里算准确率会导致不必要的状态更新
    acc = calculate_accuracy(y_true_train, y_pred_train)

# 正确示范：评估放在Tape外面，用推理模式
with tf.GradientTape() as tape:
    y_pred_train = model(x_train, training=True)
    loss = loss_fn(y_true_train, y_pred_train)

# 单独计算验证集准确率
y_pred_val = model(x_val, training=False)
acc = calculate_accuracy(y_true_val, y_pred_val)

3. 检查准确率计算函数的实现 #

确保你的准确率计算是纯前向操作，没偷偷修改模型参数或状态。比如正确的写法应该是这样：

def calculate_accuracy(y_true, y_pred):
    # 把预测值转成类别索引
    y_pred_class = tf.argmax(y_pred, axis=1)
    # 真实值转成类别索引（如果是one-hot编码的话）
    y_true_class = tf.argmax(y_true, axis=1)
    # 计算匹配的比例
    correct = tf.equal(y_pred_class, y_true_class)
    accuracy = tf.reduce_mean(tf.cast(correct, tf.float32))
    return accuracy

千万别在这个函数里加训练相关的操作，比如梯度裁剪、参数更新啥的。

4. 临时固定随机种子排查问题 #

要是还是没解决，可以先把所有随机种子都设好，排除随机性的影响，看看结果会不会稳定：

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

设完种子后结果稳定了，那就是之前说的随机性操作没处理好；要是还是乱变，就得检查模型里有没有其他偷偷改状态的逻辑（比如自定义层里的可训练变量没被正确追踪，或者有全局变量在每次计算时被修改）。

内容的提问来源于stack exchange，提问作者0811张庆昊