tensorflow保持每次訓(xùn)練結(jié)果一致的簡單實現(xiàn)
在用tensorflow構(gòu)建神經(jīng)網(wǎng)絡(luò)的時候,有很多隨機的因素,比如參數(shù)的隨機初始化: 正態(tài)分布隨機變量tf.random_normal([m,n]),均勻分布的隨機變量tf.random_uniform([m,n]),還有在從tfrecord讀取數(shù)據(jù)時,也會隨機打亂數(shù)據(jù)。
那么由于這些隨機的操作,即使是在輸入數(shù)據(jù)完全一樣的情況下,每次訓(xùn)練的結(jié)果也不一樣,那么如果想要使得每次訓(xùn)練的結(jié)果一致,應(yīng)該怎么做呢?
可以在最開始時,固定隨機數(shù)種子,如下
tf.set_random_seed(1)
以上這篇tensorflow保持每次訓(xùn)練結(jié)果一致的簡單實現(xiàn)就是小編分享給大家的全部內(nèi)容了,希望能給大家一個參考,也希望大家多多支持腳本之家。
- Tensorflow訓(xùn)練MNIST手寫數(shù)字識別模型
- tensorflow實現(xiàn)訓(xùn)練變量checkpoint的保存與讀取
- Tensorflow訓(xùn)練模型越來越慢的2種解決方案
- TensorFlow實現(xiàn)保存訓(xùn)練模型為pd文件并恢復(fù)
- 解決TensorFlow訓(xùn)練內(nèi)存不斷增長,進(jìn)程被殺死問題
- tensorflow獲取預(yù)訓(xùn)練模型某層參數(shù)并賦值到當(dāng)前網(wǎng)絡(luò)指定層方式
- tensorflow模型繼續(xù)訓(xùn)練 fineturn實例
- tensorflow如何繼續(xù)訓(xùn)練之前保存的模型實例
- Tensorflow實現(xiàn)在訓(xùn)練好的模型上進(jìn)行測試
相關(guān)文章
selenium鼠標(biāo)操作實戰(zhàn)案例詳解
在實際場景中,會有單擊、長時間單擊、雙擊、右鍵、拖拽等鼠標(biāo)操作,selenium提供了名為ActionChains的類來處理這些操作,下面這篇文章主要給大家介紹了關(guān)于selenium鼠標(biāo)操作實戰(zhàn)案例的相關(guān)資料,需要的朋友可以參考下2023-05-05
Python RabbitMQ消息隊列實現(xiàn)rpc
這篇文章主要介紹了python 之rabbitmq實現(xiàn)rpc,主要實現(xiàn)客戶端通過發(fā)送命令來調(diào)用服務(wù)端的某些服務(wù),服務(wù)端把結(jié)果再返回給客戶端,感興趣的小伙伴們可以參考一下2018-05-05
解析pip安裝第三方庫但PyCharm中卻無法識別的問題及PyCharm安裝第三方庫的方法教程
這篇文章主要介紹了解析pip安裝第三方庫但PyCharm中卻無法識別的問題及PyCharm安裝第三方庫的方法教程,本文圖文并茂給大家介紹的非常詳細(xì),對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下2020-03-03
基于keras中訓(xùn)練數(shù)據(jù)的幾種方式對比(fit和fit_generator)
這篇文章主要介紹了keras中訓(xùn)練數(shù)據(jù)的幾種方式對比(fit和fit_generator),具有很好的參考價值,希望對大家有所幫助。如有錯誤或未考慮完全的地方,望不吝賜教2021-05-05

