即使NN和数据集相同，Keras上的Predict()也始终会给出不同的结果

在Keras上使用predict()函数进行预测时，即使使用相同的神经网络模型和数据集，也可能会得到不同的结果。这是由于以下几个因素导致的：

1. 权重初始化：神经网络模型中的权重通常是随机初始化的。即使使用相同的随机种子，不同的运行环境和硬件设备也可能导致不同的初始化结果，从而影响预测结果的差异。
2. 并行计算：Keras在进行预测时，可能会利用并行计算的能力来加速计算过程。不同的计算设备、并行计算库或设置可能会导致计算顺序的微小差异，进而导致预测结果的差异。
3. 浮点数精度：在神经网络的计算过程中，涉及到大量的浮点数计算。不同的硬件设备和浮点数精度设置可能会引入微小的舍入误差，从而导致预测结果的差异。

尽管如此，这种差异通常是微小的，并不会对整体的模型性能产生显著影响。如果需要获得一致的预测结果，可以考虑以下方法：

1. 设置随机种子：在模型训练之前，可以通过设置随机种子来控制权重的初始化过程，从而使得模型的初始状态相同。
2. 确定计算环境：尽量在相同的硬件设备和计算环境下进行预测，以减少由于硬件和软件差异导致的结果差异。
3. 平均多次预测结果：可以进行多次预测，并对结果进行平均，以减小预测结果的波动性。

总之，即使在相同的神经网络模型和数据集上，Keras上的predict()函数可能会给出不同的结果，但这种差异通常是微小的。在实际应用中，我们应该关注模型的整体性能和稳定性，而不过分关注单次预测结果的微小差异。