在同一張顯卡上進行深度學習模型訓練時，成功或失敗的結果可能受到以下因素的影響：

1. 隨機性: 深度學習模型中的一些組件（如權重初始化、數據的隨機排列等）可能涉及到隨機性。這可能導致在每次訓練時得到不同的結果，有時成功，有時失敗。為了使實驗結果更具可重復性，可以設置隨機種子（random seed）來確保每次運行時得到相同的隨機結果。

2. 數據集: 數據集的質量和多樣性會對模型訓練的成功與否產生影響。如果數據集中存在噪聲、標簽錯誤或數據不平衡等問題，模型的訓練可能會受到干擾，導致訓練失敗。確保數據集的質量和多樣性是成功訓練模型的關鍵。

3. 超參數調整: 深度學習模型中有許多超參數需要調整，例如學習率、批量大小、網絡結構等。不同的超參數設置可能導致模型在同一張顯卡上表現出不同的訓練結果。通過系統地調整超參數，并進行交叉驗證來找到最佳的超參數組合，可以提高模型的訓練成功率。

4. 硬件和環境因素: 深度學習模型的訓練過程對硬件和環境要求較高。例如，顯卡的性能、內存容量、驅動程序的版本等都可能對模型的訓練結果產生影響。確保硬件和環境的穩定性和兼容性是保證模型訓練成功的重要因素。

這些是影響同一張顯卡上深度學習模型訓練結果的一些常見因素。根據具體情況，你可以嘗試調整這些因素，以提高模型訓練的成功率。