¿Por qué la precisión es diferente en mi PC en comparación con Kaggle cuando utilizo el mismo código?

Estoy escribiendo un algoritmo de detección de marca de agua, y he probado un código de Kaggle que ajusta finamente una ResNet, pero cuando ejecuto el mismo código en Jupyter notebook, obtengo un 50% de precisión cuando el código de ejemplo en Kaggle tiene alrededor del 97% de precisión. No tengo una GPU instalada en mi PC, y cambié el tamaño del lote a 32. ¿Sabes por qué obtengo una precisión 40% más baja?

Mi código:

import tensorflow as tf
import numpy as numpy
import os
from pathlib import Path
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.optimizers import RMSprop
from PIL import Image

basedir = "/home/mahsa/Kaggle/archive/wm-nowm"

from PIL import ImageFile
ImageFile.LOAD_TRUNCATED_IMAGES = True

traindir = os.path.join(basedir, 'train') # raíz para entrenamiento
validdir = os.path.join(basedir, 'valid') # raíz para pruebas

traingenerator = ImageDataGenerator(rescale=1./255)
validgenerator = ImageDataGenerator(rescale=1./255)

train_data = traingenerator.flow_from_directory(traindir, target_size=(150,150), batch_size=100, class_mode="binary")
valid_data = validgenerator.flow_from_directory(validdir, target_size=(150,150), batch_size=100, class_mode="binary")

existing = tf.keras.applications.InceptionResNetV2(input_shape=(150, 150, 3), include_top=False, pooling='max', weights='imagenet')

for layer in existing.layers:
    layer.trainable = False

existing.summary()

last = existing.get_layer("mixed7a")
last_output = last.output

# Aplana la capa de salida a 1 dimensión
x = tf.keras.layers.Flatten()(last_output)
x = tf.keras.layers.Dropout(0.25)(x)

# Agrega una capa completamente conectada con 1,024 unidades ocultas y activación ReLU
x = tf.keras.layers.Dense(128, activation='relu')(x)
x = tf.keras.layers.Dense(64, activation='relu')(x)

# Agrega una capa sigmoide final para la clasificación
x = tf.keras.layers.Dense(1, activation='sigmoid')(x)

model = tf.keras.Model(existing.input, x)

model.compile(optimizer=RMSprop(lr=0.001),
              loss='binary_crossentropy',
              metrics=['accuracy'])

history = model.fit(train_data,
                    validation_data=valid_data,
                    steps_per_epoch=150,
                    epochs=60,
                    validation_steps=50,
                    verbose=2)