到目前为止，使用GPU的最佳解决方案是安装tensorflow 决定论，如下所示：

pip install tensorflow-determinism

然后在代码中包含以下代码

import tensorflow as tf
import os
os.environ['TF_DETERMINISTIC_OPS'] = '1'

来源：https://github.com/NVIDIA/tensorflow-determinism

一个可能的原因是，在构建模型时，有些代码使用了numpy.random模块，所以也许你也可以尝试为numpy设置种子。

对我有效的方法是在this answer之后进行一些修改：

import tensorflow as tf
import numpy as np
import random

# Setting seed value
# from https://stackoverflow.com/a/52897216
# generated randomly by running `random.randint(0, 100)` once
SEED = 75
# 1. Set the `PYTHONHASHSEED` environment variable at a fixed value
os.environ['PYTHONHASHSEED'] = str(SEED)
# 2. Set the `python` built-in pseudo-random generator at a fixed value
random.seed(SEED)
# 3. Set the `numpy` pseudo-random generator at a fixed value
np.random.seed(SEED)
# 4. Set the `tensorflow` pseudo-random generator at a fixed value
tf.random.set_seed(SEED)

我不知道如何设置session seed（步骤5），但似乎没有必要。
我在一个高RAM TPU上运行Google Colab Pro，我的训练结果（损失函数的图形）在使用这种方法的连续三次中完全相同。

SEED = 42
import os
import random

os.environ["TF_DETERMINISTIC_OPS"] = "1"
keras.utils.set_random_seed(SEED)
os.environ['PYTHONHASHSEED']=str(SEED)
random.seed(SEED)
np.random.seed(SEED)
tf.random.set_seed(SEED)