当将相同的测试数据集输入到训练好的模型中进行评估时，每次返回的准确率都不同。原因是什么？有什么解决方案吗？

目录结构如下，每个类别包含200-300张图片dataset  |_ class1  |_ class2  |_ class3   ......

代码如下所示

#导入数据集dataset_path = '<directory>'DIR = pathlib.Path(dataset_path)#验证集validation_set = tf.keras.preprocessing.image_dataset_from_directory(  DIR,  validation_split=0.2,  subset="validation",  seed=123,  image_size=(150, 150),  batch_size=32)  #测试集val_batches = tf.data.experimental.cardinality(validation_set)test_set = validation_set.take(val_batches // 5)validation_set = validation_set.skip(val_batches // 5)#构建模型并训练模型#......#训练结束时#准确率:0.9047  验证准确率:0.8942#评估模型loss, accuracy = model.evaluate(test_set)#我多次运行这行代码，每次返回的准确率都不同#例如，准确率可能在0.902到0.934之间变化

回答：

你说的没错，我成功重现了你的结果。这个问题仅在使用GPU时出现，因为一些GPU操作不是确定性的。尝试设置以下内容：

import osos.environ["CUDA_VISIBLE_DEVICES"] = "-1"

或者，如果你使用Google Colab，可以通过“运行时”>“更改运行时类型”>“硬件加速器”>“无”来设置