模型预测结果不稳定主要因随机性未控制：需在导入tf后立即设tf.random.set_seed和np.random.seed；用model.predict()而非model(x)；加载时优先用load_model()；gpu浮点差异属正常现象。
模型加载后predict结果每次不同？先检查随机种子
TensorFlow/Keras 模型预测结果不稳定，大概率不是模型本身出问题，而是训练或推理时残留了随机性。即使模型已保存并重新加载，tf.random.set_seed 和 np.random.seed 必须在加载前就设置——晚了就没用。
- 必须在导入
tensorflow后、任何模型操作前调用tf.random.set_seed(42)（同理设np.random.seed(42)） - 如果用了
tf.data.Dataset，记得加.shuffle(buffer_size, seed=42)；没设seed的shuffle会引入不可控随机性 - 某些层（如
Dropout、BatchNormalization）在training=True模式下行为随机，预测时务必传training=False，例如：model(x, training=False)或model.predict(x)
用model.predict()还是直接model()？调用方式影响确定性
model.predict() 是 Keras 封装的推理接口，默认启用 training=False，且会自动处理 batch 维度、数据类型转换；而直接调用 model(x) 如果没显式指定 training=False，可能意外触发训练模式，尤其当模型含 BatchNormalization 或 Dropout 层时。
- 确认你用的是
model.predict(x)，而不是model(x)—— 后者不保证关闭随机层 - 若必须用
model(x)（比如在自定义训练循环中），一定要写成model(x, training=False) - 注意
model.predict()对输入 shape 敏感：单样本要加 batch 维度，例如x.reshape(1, *x.shape)，否则可能触发隐式广播或类型转换，间接引入浮点误差累积
保存/加载用tf.keras.models.load_model()还是model.load_weights()？权重与计算图必须匹配
只加载权重（load_weights）却不重建完全相同的模型结构，是预测不一致的常见根源。Keras 的 load_model() 会同时恢复结构、权重和编译状态；而 load_weights() 只恢复数值，结构靠手动定义，稍有差异（比如层顺序、activation 参数、是否启用 use_bias）都会导致输出错位。
- 优先用
tf.keras.models.load_model('path/to/saved_model')，它能完整复现训练时的计算图 - 如果必须分步加载（如迁移学习场景），确保重建模型代码与训练时**逐行一致**，包括所有
__init__参数，例如：Conv2D(32, 3, padding='same', activation='relu')中漏掉padding或写成'valid'都会导致输出偏差 - 检查保存格式：用
save_format='h5'时，Keras 版本需严格一致；推荐用默认的 SavedModel 格式（目录形式），兼容性更好
CPU/GPU 推理结果不一致？浮点运算非确定性是真实存在的
即使种子、代码、权重全一致，GPU 上的 cuBLAS 和 cuDNN 仍可能因并行调度产生微小浮点差异（float32 下通常在 1e-6 量级）。这不是 bug，是硬件加速的代价。
- 若需严格确定性（如单元测试），强制用 CPU：设置环境变量
os.environ['CUDA_VISIBLE_DEVICES'] = ''再 import tensorflow - TensorFlow 提供确定性开关：
tf.config.experimental.enable_op_determinism()（TF 2.8+），但它会显著降低 GPU 性能，且不覆盖所有算子 - 避免依赖绝对相等比较：用
np.allclose(y_pred1, y_pred2, atol=1e-6)替代y_pred1 == y_pred2
真正麻烦的不是“怎么让结果一样”，而是“怎么确认它本该一样”——先排除随机种子、训练模式、加载方式这些可控因素，再谈硬件层面的浮点抖动。多数情况下，问题出在 training=False 没写对，或者 load_weights 加载到了一个看似一样实则结构不同的模型上。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
