我的网络在我的数据集上达到了96%的准确率（编辑：在预测9个类别时）。每次运行时，我都会保存每个epoch的整个模型（包括权重）。我运行了三次，每次测试不同的超参数，每次都达到了大约96%的准确率。

当我现在尝试加载这些测试中的任何一个并再次运行时，它的准确率大约为50%。我非常确定我是在同一个数据集上运行的。

有趣的是：如果我训练一个新的网络实例，具有完全相同的架构、大小、形状等，它的最高准确率只能达到85%。此外，保存和加载这些新训练的模型可以正确工作，也就是说，模型会达到相同的85%准确率。

因此，加载和我的数据集都没有问题。唯一可能导致这种情况的原因是我的自定义层有问题，或者其他地方出了问题。

不幸的是，我没有将自定义层的全部更改提交到git。虽然我不能保证我的自定义层完全相同，但我几乎完全有信心它是相同的。

有什么想法可以解释这种差异的原因吗？

编辑：为了提供更多背景信息，该层是从ConvLSTM2d类中提取的，但我替换了call()函数，使其成为一个使用卷积而不是点积的普通RNN。我确信call()函数与之前相同，但我对类的其余部分是否相同没有信心。类中的其他部分是否会影响性能？我已经检查过激活函数了。

回答：

我终于找到了答案。

我实现了一个自定义的Lambda层来处理重塑。这个层在加载时有困难。具体来说，它在一个任意间隔上将一个维度重塑为两个维度。每次加载模型时，间隔都会默认设置为一个特定的值，即使这是错误的。当我强制将其设置为正确的间隔时，它就工作了。