当我通过CNN运行图像分类代码时，我得到了这个错误，"73138176的分配超过了系统内存的10%"。我用不同的解决方案来解决我的问题。然而，它在每次测试中都改变了模型的准确性。
此处的模型精度为0.6761。
model.fit(X, y, batch_size=32, epochs=9, validation_split=0.3)
然后，当我将batch_size降低到2时，这里的准确性提高到0.8451。此外，它没有给出任何与分配问题有关的错误。
model.fit(X, y, batch_size=2, epochs=9, validation_split=0.3)
然后，我也很好奇一个代码，它也解决了分配问题。然而，这一次，此处的模型精度为0.7183。代码为；
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'
model.fit(X, y, batch_size=32, epochs=9, validation_split=0.3)
我的问题是，你实际上建议我应该遵循哪个代码？另外，你能告诉我为什么精度每次都会变化吗？
感谢您的帮助和建议。
如果您想要完全可重复的训练结果，则需要消除所有随机性来源。对于典型的模型训练，主要来源有1：您的数据集；测试/训练分割的随机化或批次生成顺序的随机化。和2：模型初始化；如果你想每次训练相同的模型，你需要每次从相同的初始参数开始。你如何确保每次训练都得到"相同的随机数"因框架而异；几年前我在TF的最后一次尝试是不合理的痛苦；但这是可以做到的，谷歌应该知道如何做，如果你搜索修复TF中的随机种子。
然而，修复随机种子可能不是你感兴趣的；对于做可重复的实验，这正是你想要的。但就你的模型的生产质量而言，那就另当别论了。如果你发现你最终得到的模型根据种子的不同表现得相当不同(许多问题本质上都具有这种性质，存在多个"同等有效"但相当不同的解释(，那么训练一个这样的模型集合，每个模型都有不同的随机种子，是一件有用的事情；通过这种方式，您可以明确地意识到建模和数据集留下的"解释空间"的大小。