淺談PyTorch的可重復(fù)性問題(如何使實驗結(jié)果可復(fù)現(xiàn))

更新時間：2020年02月20日 16:35:01 作者：hyk_1996

今天小編就為大家分享一篇淺談PyTorch的可重復(fù)性問題(如何使實驗結(jié)果可復(fù)現(xiàn))，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

由于在模型訓(xùn)練的過程中存在大量的隨機操作，使得對于同一份代碼，重復(fù)運行后得到的結(jié)果不一致。因此，為了得到可重復(fù)的實驗結(jié)果，我們需要對隨機數(shù)生成器設(shè)置一個固定的種子。

許多博客都有介紹如何解決這個問題，但是很多都不夠全面，往往不能保證結(jié)果精確一致。我經(jīng)過許多調(diào)研和實驗，總結(jié)了以下方法，記錄下來。

全部設(shè)置可以分為三部分：

1. CUDNN

cudnn中對卷積操作進行了優(yōu)化，犧牲了精度來換取計算效率。如果需要保證可重復(fù)性，可以使用如下設(shè)置:

from torch.backends import cudnn
cudnn.benchmark = False      # if benchmark=True, deterministic will be False
cudnn.deterministic = True

不過實際上這個設(shè)置對精度影響不大，僅僅是小數(shù)點后幾位的差別。所以如果不是對精度要求極高，其實不太建議修改，因為會使計算效率降低。

2. Pytorch

torch.manual_seed(seed)      # 為CPU設(shè)置隨機種子
torch.cuda.manual_seed(seed)    # 為當(dāng)前GPU設(shè)置隨機種子
torch.cuda.manual_seed_all(seed)  # 為所有GPU設(shè)置隨機種子

3. Python & Numpy

如果讀取數(shù)據(jù)的過程采用了隨機預(yù)處理(如RandomCrop、RandomHorizontalFlip等)，那么對python、numpy的隨機數(shù)生成器也需要設(shè)置種子。

import random
import numpy as np
random.seed(seed)
np.random.seed(seed)

最后，關(guān)于dataloader：

注意，如果dataloader采用了多線程(num_workers > 1), 那么由于讀取數(shù)據(jù)的順序不同，最終運行結(jié)果也會有差異。也就是說，改變num_workers參數(shù)，也會對實驗結(jié)果產(chǎn)生影響。目前暫時沒有發(fā)現(xiàn)解決這個問題的方法，但是只要固定num_workers數(shù)目（線程數(shù)）不變，基本上也能夠重復(fù)實驗結(jié)果。

對于不同線程的隨機數(shù)種子設(shè)置，主要通過DataLoader的worker_init_fn參數(shù)來實現(xiàn)。默認情況下使用線程ID作為隨機數(shù)種子。如果需要自己設(shè)定，可以參考以下代碼：

GLOBAL_SEED = 1
 
def set_seed(seed):
  random.seed(seed)
  np.random.seed(seed)
  torch.manual_seed(seed)
  torch.cuda.manual_seed(seed)
  torch.cuda.manual_seed_all(seed)
 
GLOBAL_WORKER_ID = None
def worker_init_fn(worker_id):
  global GLOBAL_WORKER_ID
  GLOBAL_WORKER_ID = worker_id
  set_seed(GLOBAL_SEED + worker_id)
 
dataloader = DataLoader(dataset, batch_size=16, shuffle=True, num_workers=2, worker_init_fn=worker_init_fn)

以上這篇淺談PyTorch的可重復(fù)性問題(如何使實驗結(jié)果可復(fù)現(xiàn))就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: