原代码

import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Conv1D, MaxPooling1D, Flatten
from tensorflow.keras.utils import to_categorical

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 数据预处理，将标签进行独热编码
y = to_categorical(y)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 将数据调整为适合1D卷积的形状 (样本数, 时间步长, 特征数)，这里时间步长设为1
X_train = np.expand_dims(X_train, axis=1)
X_test = np.expand_dims(X_test, axis=1)

# 构建神经网络模型
model = Sequential()
model.add(Conv1D(16, kernel_size=1, activation='relu', input_shape=(1, 4)))
model.add(MaxPooling1D(pool_size=1))
model.add(Conv1D(8, kernel_size=1, activation='relu'))
model.add(MaxPooling1D(pool_size=1))
model.add(Flatten())
model.add(Dense(3, activation='softmax'))

# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X_train, y_train, epochs=50, batch_size=16, verbose=1)

# 评估模型
loss, accuracy = model.evaluate(X_test, y_test)
print(f"测试集损失: {loss}")
print(f"测试集准确率: {accuracy}")

多次运行准确率：
测试集准确率: 0.9666666388511658
测试集准确率: 0.8999999761581421
测试集准确率: 0.7666666507720947
测试集准确率: 1.0

🎯 为什么模型每次运行测试集准确率不同？

这主要由以下几个关键因素造成：

🔹 1. 随机权重初始化

• 现象：神经网络层（如 Conv1D 和 Dense）在每次创建时会随机初始化权重（如 Glorot 正态分布）。

• 影响：初始点不同，优化路径不同，可能收敛到不同的局部最优。

• 示例：

  model = Sequential()
  model.add(Dense(3, activation='softmax'))  # 初始权重每次都不同
  

🔹 2. 数据划分的随机性

• 问题：train_test_split 固定 random_state 虽有帮助，但若整体脚本中未设定全局随机种子，每次运行仍可能划分不同。

• 建议：在脚本开头固定随机性：

  import numpy as np
  import tensorflow as tf
  np.random.seed(42)
  tf.random.set_seed(42)
  

🔹 3. 优化器（如 Adam）的内部随机性

• 问题：即使固定随机种子，Adam 优化器在某些硬件或浮点运算中仍有非确定性行为。

• 解决方法：强制使用确定性操作（需在脚本开头设定）：

  import os
  os.environ['TF_DETERMINISTIC_OPS'] = '1'
  

🔹 4. 模型结构设计不合理（对于鸢尾花数据）

• 问题：你使用了 1D 卷积网络处理鸢尾花数据（4 个静态特征），但该数据并非时序数据，此设计过于复杂。

• 具体分析：

  • 输入被 reshape 成 (n_samples, 1, 4)，但这种结构不符合数据本质。
  • kernel_size=1 实际模拟的是全连接，但使用卷积层会带来不必要的参数与不稳定性。

• 建议：使用更简洁、适合该任务的全连接网络：

  model = Sequential([
      Dense(16, activation='relu', input_shape=(4,)),
      Dense(8, activation='relu'),
      Dense(3, activation='softmax')
  ])
  

🔹 5. 训练超参数设置

• 批量大小（batch_size=16）：小批量训练会引入更新噪声，导致训练过程波动。
• 训练轮数（epochs=50）：若训练未完全收敛，不同初始化可能导致最终性能有差异。

✅ 稳定准确率的建议方案

1. 固定随机性

   import numpy as np
   import tensorflow as tf
   np.random.seed(42)
   tf.random.set_seed(42)
   

2. 替换为全连接网络结构

   model = Sequential([
       Dense(16, activation='relu', input_shape=(4,)),
       Dense(3, activation='softmax')
   ])
   

3. 增加样本量或使用交叉验证
   提高模型泛化能力，降低划分带来的波动。

4. 检查损失函数拼写

   • 确保使用的是正确的：

     loss='categorical_crossentropy'
     

   • 拼错可能会导致使用默认损失，进而影响训练效果。

❓ 为什么准确率波动大？

• 根本原因：1D 卷积结构用于非时序数据本身就不稳定、冗余。
• 优化建议：切换为更合适的结构（如全连接层）后，模型应稳定在 95%~98% 准确率（鸢尾花数据的常见表现）。