keras相同模型，相同输入，不同机器输出完全不同的原因！！

最新推荐文章于 2025-03-29 05:00:00 发布
最新推荐文章于 2025-03-29 05:00:00 发布
阅读量5.3k 收藏 2
点赞数 3
文章标签： keras
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/u012571510/article/details/83992812
版权
在使用Keras预训练模型进行图像特征提取时，因本地与服务器的Keras版本不同，导致同一模型对同一图片的输出特征差异巨大。通过调整本地Keras版本与服务器一致，解决了图像特征提取的不一致性问题。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

问题关键：keras版本导致，不同机器keras版本不一致，将不同机器的keras版本保持一致就行了...

 最近在做一个以图搜图的项目，想到可以用keras的预训练模型提取特征，然后再计算各个图片特征的余弦距离。自己有差不多10万张图片，一开始在GPU服务器上提特征，然后将特征写在数据库里，在服务器上模拟识别效果还不错。然后自己在本地的电脑上模拟识别，先利用预训练模型提取特征然后再与GPU提取过的图片特征库进行比对，发现效果极差！

找了两天bug，发现了一个很难以置信的现象，同一张图片同一模型不同机器输出的结果相差极大！

然后发现了https://github.com/keras-team/keras/issues/7676这个网页，发现不止我一个人有这个现象..后来发现了GPU中keras版本为2.0.8，本地为2.20,将本地keras版本改为2.0.8，问题解决了..

果然版本控制真的是有道理的...

透明人类
关注
Keras深度学习实战（35）——构建机器翻译模型
盼小辉丶的博客
11-09 6526
机器翻译，是利用计算机将一种自然语言(源语言)转换为另一种自然语言(目标语言)的过程，是人工智能的终极目标之一，具有重要的科学研究与实用价值，机器翻译技术在促进经济、文化交流等方面起到越来越重要的作用。本文中，首先介绍了机器翻译模型的基本原理，然后构建了两种不同的模型实现了机器翻译模型。
Tensorflow 2.x(keras)源码详解之第十章：keras中的模型保存与加载(详解Checkpoint&md5&模型序列化)
热门推荐
weixin_43178406的博客
05-18 4万+
1. 模型保存与加载：综述 2. 前提总结 3. 仅保存模型权重 3.1 在内存中将权重进行迁移 3.2 将权重保存到磁盘上 3.2.1 Checkpoint(检查点) 3.2.2 使用tf.train.checkpoint()保存多个检查点 3.2.3 使用tf.train.checkpoint加载多个检查点 3.2.4 tf.train.checkpoint保存和加载单一检查点 3.2.5 save_weights保存检查点 3.2.6 save_weights保存成HDF5格式 4. 仅保存模型架构
【Pytorch】同样的代码在不同服务器上运行结果不同
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
07-09 3290
目录 1、动机 2、分析 2.1 随机种子 2.2 不同设备 2.3 其他操作 1、动机 最近将一份代码放在另一台服务器上运行，发现结果差好多，于是开始研究到底咋回事 随机种子的官方手册 2、分析 搜索过程中看到知乎山刚有个回答 分析了3种原因为什么pytorch用同一个随机种子，但每次训练结果不同？ 2.1 随机种子 这个我设置正确，暂时不管 def set_random_seed(seed): """Set random seed. Args: .
【linux】服务器上跑代码与本地结果不同
菜鸡踩的坑s
06-05 640
今天尝试在服务器上跑建好的模型，我这何止是结果不同，直接换了模型了。死活不知道是哪里出了错，先写个帖子。
同样的问题，为什么每次大模型输出的内容不同？
最新发布
测试者家园
03-29 929
但在某些严谨的场景（如自动化测试、法律咨询、医疗诊断）中，答案的不可预测性可能带来困扰。也就是说，模型并不是直接“记住”了一整句话，而是根据当前输入的上下文，计算下一个可能出现的词的概率分布，并进行选择。理解这些机制，不仅能帮助开发者更有效地使用 LLM，还能在不同场景下调整策略，以获得最优的生成效果。“机器学习是一种广义的技术，包含决策树、支持向量机等，而深度学习是其中的一种子集，专注于神经网络。同样的问题可能在不同的语料中对应不同的答案，导致模型在不同采样时选择不同的表达方式。
pytorch在gpu训练加载模型,训练与测试在不同机器上遇到的问题总结
qq_38977019的博客
01-02 3018
今天遇到了在测试的时候遇到了一件有趣的事情： 模型是我在自己电脑上训练出来的，cuda:0，测试的时候为了加快程序运行的速度弄到了实验室的服务器上去跑，服务器一共两个GPU，0和1，0被另一个同学占用了，所以我通过device = torch.device(“cuda:1” if torch.cuda.is_available() else “cpu”)去指定指用GPU1，(我怀疑我没有指定上，因...
对于相同问题大模型的生成为什么会不同？
Antai_ZHU的博客
12-11 2788
AI因你而升温，记得加个星标哦！：直接选择概率最高的单词。这种方法简单高效，但是可能会导致生成的文本过于单调和重复。：是对贪心策略一个改进。思路也很简单，就是稍微放宽一些考察的范围。在每一个时间步，不再只保留当前分数最高的1个输出，而是保留num_beams个。当num_beams=1时集束搜索就退化成了贪心搜索。：按照概率分布随机选择一个单词。这种方法可以增加生成的多样性，但是可能会导致生成的文本不连贯和无意义。在具体应用中，主要衍生出了如下几种方法搭配使用。
深度学习代码一样，但是每次跑的结果都不同（甚至相差很大）
lihaiyuan_0324的博客
01-13 6628
随机种子
政安晨：【掌握AI的深度学习工具Keras API】（一）—— 【构建Keras模型的不同方法】（万字长文）
政安晨——致力于AI人工智能数字互动领域
02-29 1968
我们开始一个全新的系列——KerasAPI。 通过这个系列的文章，您将了解到下面这几部分内容： 1）构建Keras模型的3种方法，即序贯模型、函数式API和模型子类化； 2）使用Keras内置的训练循环和评估循环； 3） 使用Keras回调函数来自定义训练； 4） 使用TensorBoard监控训练指标和评估指标； 5） 从头开始编写训练循环和评估循环。
python模型部署到服务器_教程帖：使用TensorFlow服务和Flask部署Keras模型！
weixin_39530833的博客
12-15 679
部署Keras模型通常需要抽象出你的机器学习模型，并将其与易于使用的API端点一起部署或集成。例如，我们可以提供一个URL端点，任何人都可以使用它来发出POST请求，他们会得到模型推断的JSON响应，而不必担心其技术性细节。在本教程中，我们将创建一个TensorFlow服务器来部署我们在Keras内置的InceptionV3图像分类卷积神经网络(CNN)。 然后，我们将创建一个简单的Flask服务...
Keras深度学习实战（25）——使用skip-gram和CBOW模型构建单词向量
盼小辉丶的博客
09-14 6037
在学习了如何从零开始构建了一个用于计算单词向量的模型之后，我们在本节介绍了如何使用 gensim 库构建 skip-gram 和 CBOW 模型获取单词向量，从而得到了更加准确的单词向量。最后，为了克服数据集中句子数量太少而导致的模型鲁棒性较差的问题，我们介绍了如何使用预训练的单词向量执行向量算术。
相同的输入，相同的网络参数，不同的输出
qq_21769619的博客
04-23 2226
模块A下面有一个函数a(), 在A.py模块下面的模块测试代码if name == 'main’中调用a(x)产生的结果和在另一个模块B.py的某个函数中调用a(x),相同的输入x, a(x)产生的结果不一致。A.py和B.py的所在的目录不同. 来两张图： inputs是输入， net.mapper()是调用net.mapper网络模型的forward函数，最上面的那些显示不全的是net.mapper.state_dict()的结果。 从图片上可以看到，输入inputs相同，net.mapper.st
吴恩达神经网络和深度学习-学习笔记-24-在不同的划分上进行训练和测试+不匹配数据划分的偏差和方差
真理无穷，进一步有进一步的欢喜
07-21 529
深度学习算法对训练数据的胃口很大，当你收集到足够多的带标签数据构成训练集时，算法效果最好。 这导致很多团队用尽一切方法收集数据，然后把它们堆到训练集里，让训练的数据量更大。但是有些数据，甚至是大部分数据，都来自和开发集和测试集不同的分布。 所以深度学习时代，越来越多的团队都用和dev set、test set分布不同的数据来训练。 这里有一些微妙的地方，一些最佳做法来处理训练集training s...
python 参数一样结果不一样_优化Keras的超参数：相同参数的结果不同
weixin_39926311的博客
01-28 357
我试着调整超参数def create_model():# create modelmodel = Sequential()model.add(Dense(12, input_dim=10, kernel_initializer='uniform', activation='relu'))model.add(Dense(4, kernel_initializer='uniform', activat...
记录同模型，不同环境预测结果“天差地别”
weixin_61606472的博客
10-11 402
具体情况是，在A环境中模型表现出较高的准确率，而在B环境中，同样的输入得到了不理想的预测结果。为了确保模型和tokenizer一致，我在B环境中同样使用了本地缓存的预训练模型和自定义tokenizer，而非在线加载模型。确保模型的权重、参数完全一致。我首先确保在A和B两个环境中使用相同的CUDA版本（CUDA 11.1）和相同的GPU驱动版本。导出A环境中的依赖，并在B环境中使用相同的依赖进行安装。将A环境中的Python版本、PyTorch版本和Transformers库的版本完全同步到B环境。
不同的参数经过模型之后输出的参数相同时，则模型训练之后输出的参数必然相同
小姑仔的博客
09-09 907
今天在训练模型的时候出现了状况，不同的参数经过模型之后输出的预测数值相同。 model.eval() output = model(torch.tensor([[ 101, 403, 2033, 2011, 2151, 1003, 2017, 1005, 1040, 102], [ 101, 102 , 103, 104 , 105 , 106 , 107 , 108 , 109 , 112]]), torch.tensor([
人工智能 快速找出图像差异_一个小的组件，可让用户快速查看2张图像之间的差异
cuk5239的博客
07-20 1989
人工智能 快速找出图像差异 二十二十 (TwentyTwenty) Image comparison component, works with Vue.js 2.x 图像比较组件，可与Vue.js 2.x一起使用 A small component to quickly let users see the differences between 2 images. Based on the ...
【机器学习】模型又线上线下不一致怎么办？
fengdu78的博客
04-02 1152
作者：杰少本文对于推荐系统中的采样评估指标进行了讨论，内容略多, 还有一些数学推导, 有兴趣的可以去阅读原文, 此处直接列出核心观点：在评估推荐算法的效果时,能不采样就不采样！除了AUC,Precision@K,Recall@K,Average Precision,NDCG都是不一致的,采样计算得到的结果和真实结果可能差很大!现在随机采样计算得到的评估指标的分数具有高偏差...
简单对比四台电脑对相同模型的训练速度
dujuancao11的博客
10-16 1350
型号为 i5-7200 CPU @ 2.50GHz 的 CPU 进行训练，训练了 25 次，速度大约为 791ms/step，每 epoch 平均 710s，训练缓慢。 第二次使用型号为 i7-77—HQ CPU @ 2.80GHz 的 CPU 进行训练，训练了 50次，速度为 454ms/step，每 epoch 平均 407s，训练依然缓慢。 第三次使用型号为NVIDIA Gefore GTX960M （算力5.0）的GPU 进行训练，训练了100次，速度为 55ms/step，每 epoch
Keras迁移模型参数：不同输入尺寸的实例
通过这种方式，即使新模型的输入尺寸与训练模型不同，Keras仍能根据层名找到并应用相应的参数，从而实现了模型参数的迁移。这种方法对于调整网络结构或针对不同数据集微调预训练模型非常有用，只需稍作修改，就能让...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值