在h2o的深度学习函数中，对于某一组参数的组合，每次运行时我得到的结果都不相同。

args <- list(list(hidden = c(200,200,200),                   loss = "CrossEntropy",                    hidden_dropout_ratio = c(0.1, 0.1,0.1),                   activation = "RectifierWithDropout",                    epochs = EPOCHS))
run   <- function(extra_params) {  model <- do.call(h2o.deeplearning,                    modifyList(list(x = columns, y = c("Response"),                     validation_frame = validation, distribution = "multinomial",                   l1 = 1e-5,balance_classes = TRUE,                    training_frame = training), extra_params))}
model <- lapply(args, run) 

为了每次运行时模型都能得到一致的结果，我需要做些什么？

回答：

如果在多于一个核上运行，H2O的深度学习将无法重现。每次训练深度学习模型时，结果和性能指标可能会略有不同。H2O中的实现使用了一种称为“Hogwild!”的技术，这提高了训练速度，但以牺牲多核上的可重现性为代价。

因此，如果你想要可重现的结果，你需要限制H2O在单核上运行，并确保在h2o.deeplearning调用中使用seed参数。

根据Darren Cook的评论进行的编辑：我忘了包括需要与seed参数一起设置的reproducible = TRUE参数，以使其真正可重现。请注意，这将使运行速度大大减慢。对于大型数据集，不建议这样做。

关于“Hogwild!”的更多信息