Warum erhalte ich jedes Mal, wenn ich mein Tensorflow-Modell verwende, ein anderes Ergebnis?

Question

Ich habe ein trainiertes Modell basierend auf wiederkehrenden neuronalen Netzen gespeichert. Wenn ich die folgende Funktion 'lstm_vector_predict()' ausfühle, gibt es jedes Mal einen anderen Wert zurück, obwohl es das gleiche Modell lädt. Verwendet der Tensorfluss eine Zufallszahlengenerierung bei der Vorhersage von Werten?

import get_list_of_values_to_input 
import tensorflow as tf 
import tensorflow.contrib.learn as tflearn 
import tensorflow.contrib.layers as tflayers 
from tensorflow.contrib.learn.python.learn import learn_runner 
import tensorflow.contrib.metrics as metrics 
import tensorflow.contrib.rnn as rnn 
import numpy as np 


from backend.common.numpy_array_to_numpy_array_of_arrays import get_numpy_arrays_from_numpy_matrix 

def lstm_vector_predict(model_name='sample_model_vector.meta', number_of_tickers=2, batch_size=20,number_of_points=100, start_time=1489462200): 
    tf.reset_default_graph() 
    inputs = number_of_tickers 
    hidden = 100 
    output = number_of_tickers 
    current_time = start_time 

    X = tf.placeholder(tf.float32, [None, batch_size, inputs]) 
    # This is low level tensor flow stuff used for preparing output of data generation 
    basic_cell = tf.contrib.rnn.BasicRNNCell(num_units=hidden, activation=tf.nn.relu) 
    rnn_output, states = tf.nn.dynamic_rnn(basic_cell, X, dtype=tf.float32) 
    stacked_rnn_output = tf.reshape(rnn_output, [-1, hidden]) 
    stacked_outputs = tf.layers.dense(stacked_rnn_output, output) 
    outputs = tf.reshape(stacked_outputs, [-1, batch_size, output]) 
    # We get the saver ready 
    saver = tf.train.import_meta_graph(model_name) 
    init = tf.global_variables_initializer() 

    # Later, launch the model, use the saver to restore variables from disk, and 
    # do some work with the model. 
    return_values = [] 
    with tf.Session() as sess: 
     # Restore variables from disk. 
     saver.restore(sess, tf.train.latest_checkpoint('./')) 
     print("Model restored.") 
     # Check the values of the variables 
     sess.run(init) 
     for i in range(number_of_points): 
      last_values = get_list_of_values_to_input() 
      print("Generating point", i) 
      #x_generators = last_values[-batch_size:] 
      x_generators = last_values[-batch_size:].reshape(-1, batch_size, number_of_tickers) 
      y_forecast = sess.run(outputs, feed_dict={X: x_generators}) 
      return_values.append(y_forecast[-1][-1]) 
      current_time += 300 
    return return_values 

Answer 1

In Kürze erhalten Sie unterschiedliche Ergebnisse, weil der stochastischen Natur des LSTM Modells, und weil es schwierig ist, den Zufallskeim zu fixieren für LSTM Modelle 100% reproduzierbare Ergebnisse zu erhalten.