Keras之模型初始化问题np.random.seed & tf.random.set_seed

np.random.seed(42)
tf.random.set_seed(42)

这两行代码真是让我着迷了一个晚上。
最近在上手机器学习的东西，然后就需要书写一写tensorflow的代码。
毕竟第一次用tensorflow，也不太明白，也是一直在看文档，但是是照着样例来做的。
然后就照常搭建网络(根据Keras的文档)

import pandas as pd
from sklearn.datasets import fetch_california_housing
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
from tensorflow import keras
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
# To plot pretty figures
%matplotlib inline
import matplotlib.pyplot as plt
np.random.seed(42)
tf.random.set_seed(42)
#mnist = keras.datasets.mnist
mnist = keras.datasets.fashion_mnist
#文件存放路径，文件默认位置为：~/.keras/datasets
(X_train_full, y_train_full), (X_test, y_test) = mnist.load_data()

#归一化
X_valid, X_train = X_train_full[:5000] / 255., X_train_full[5000:] / 255.
y_valid, y_train = y_train_full[:5000], y_train_full[5000:]
X_test = X_test / 255.

#定义神经网络
model = keras.models.Sequential()
model.add(keras.layers.Flatten(input_shape=[28, 28]))
model.add(keras.layers.Dense(300, activation="relu"))
model.add(keras.layers.Dense(100, activation="relu"))
model.add(keras.layers.Dense(10, activation="softmax"))

#编译模型
model.compile(loss=keras.losses.sparse_categorical_crossentropy,
                  optimizer=keras.optimizers.SGD(learning_rate = 0.001),
                  metrics=[keras.metrics.SparseCategoricalAccuracy()])
#训练模型 
history = model.fit(X_train, y_train, epochs=5,
                validation_data=(X_valid, y_valid))

结果还算正常(这里为了能够快速获得结果，我就训练5次)，至此我没有意识到问题的严重性，因为我忽略了文章开头的写的两行代码，我本以为就是产生随机数的，不过也确实，也就是 产 生 随 机 数 的。

但是当我偶然多执行了几次model.fit,却发现结果不是我想的那样——就是每次的loss应该都是1.4968,。

下面这是第二次fit的结果：

下面这是第三次fit的结果：

这就导致了什么结果呢？？？
直到我将这个模型用测试集验证了一下，结果。。。。。。
损失loss直接破1了。。。。（其实在最后fit的过程中loss已经0.1了，过拟合了已经，结果在testset上loss直接到了80）

为什么呢，为什么在fit的过程中loss一直变小呢？我对此不断地调试，结果连续肝了一个晚上，终于，我还是吃了没有仔细读文档和英语不行的亏。

我就在网上找啊，找到了下面这个问题：

然后我又到了Keras的官网文档，里面提到了这个问题：

这不正是我的问题吗，这个随机数真的有用的啊！！！！！！！！

然后我又一次次地去尝试，到底是哪个地方需要参数，终于发现原来是建立模型的时候出现的问题

fit方法中有两个参数引起了我的注意：

还是没有提到什么随机数的问题，直到我发现了这个：

或许这个genetator就是问题的关键了。
这也就是为什么要确定随机化的原因了吧。

总结：

要想是每一次都要获得一样结果，就需要每次建立模型，编译，在训练，必须是这个步骤，要不然不是从新开始学习的，是接着上次的学习结果来继续训练的。
也就是说下面的代码要全部执行才能保证是从新开始训练的：

#定义神经网络
model = keras.models.Sequential()
model.add(keras.layers.Flatten(input_shape=[28, 28]))
model.add(keras.layers.Dense(300, activation="relu"))
model.add(keras.layers.Dense(100, activation="relu"))
model.add(keras.layers.Dense(10, activation="softmax"))

#编译模型
model.compile(loss=keras.losses.sparse_categorical_crossentropy,
                  optimizer=keras.optimizers.SGD(learning_rate = 0.001),
                  metrics=[keras.metrics.SparseCategoricalAccuracy()])
#训练模型 
np.random.seed(42)
tf.random.set_seed(42)
history = model.fit(X_train, y_train, epochs=5,
                validation_data=(X_valid, y_valid))

(ps:但是至于是否真的是因为这个地方，我觉得还有待考证，希望大家有问题可以留言指出，一起学习呀)