machine-learning - 当层不可训练时拟合 keras 模型会产生不一致的结果

Question

我试图在没有训练和更新权重的情况下确定模型的准确性，因此我将所有层设置为trainable = False.

当我fit_generator在带有 的生成器上运行时shuffle = False，每次都会得到一致的结果。

当我fit_generator在带有 的生成器上运行时shuffle = True，结果会跳跃一下。鉴于输入数据是相同的，并且模型没有训练，我希望模型的内部状态不会改变，并且无论排序如何，同一数据集上的准确性都是相同的。

然而，这种排序依赖意味着模型中的某种状态正在发生变化，尽管trainable = False. 导致这种情况的模型内部发生了什么？

Answer 1

这是一个非常有趣的现象。这可能是由于大多数神经网络包都使用float32精度这一事实 - 这为您提供了高达 5-7 小数点的精度。在这里您可以阅读详细说明。