引言

在對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練時，有時候會存在對訓(xùn)練過程進行復(fù)現(xiàn)的需求。然而，每次運行時 Pytorch、Numpy 中的隨機性將使得該目的變得困難重重。在程序運行前固定所有隨機數(shù)的種子有望解決這一問題。基于此，本文記錄了 Pytorch 中的固定隨機數(shù)種子的方法。

在使用 Pytorch 對模型進行訓(xùn)練時，通常涉及到隨機數(shù)的模塊包括：Python、Pytorch、Numpy、Cudnn。因此，在開始訓(xùn)練前，需要針對這些涉及隨機數(shù)的模塊進行隨機數(shù)種子的固定。

1. Python

Python 本身涉及到的隨機性主要是 Python 自帶的 random 庫隨機化和 Hash 隨機化問題，需要通過 os 庫對其進行限制：

import os, random
random.seed(seed)
os.environ['PYTHONHASHSEED'] = str(seed)

2. Numpy

在使用 Numpy 庫取隨機數(shù)時，需要對其隨機數(shù)種子進行限制：

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

3. Pytorch

當 Pytorch 使用 CPU 進行運算時，需要設(shè)定 CPU 支撐下的 Pytorch 隨機數(shù)種子：

import torch
torch.manual_seed(seed)

當 Pytorch 使用 GPU 進行運算時，需要設(shè)定 GPU 支撐下的 Pytorch 隨機數(shù)種子：

import torch
torch.cuda.manual_seed(seed)
torch.cuda.manual_seed_all(seed) # 使用多 GPU 時使用

需要特別注意的是：目前很多博客和知乎回答提出 torch.cuda.manual_seed(seed) 和 torch.cuda.manual_seed_all(seed) 具有相同的作用。這個結(jié)論需要注意 Pytorch 版本。在筆者所用的 Pytorch 2.1 版本下，這兩個函數(shù)的作用完全不同。參考官方文檔：torch.cuda.manual_seed 和 torch.cuda.manual_seed_all(seed)

當 Pytorch 使用 Cudnn 進行加速運算時，還需要限制 Cudnn 在加速過程中涉及到的隨機策略：

import torch
torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmark = False

總結(jié)

基于上述庫的固定隨機數(shù)方法總結(jié)為：

def set_random_seed(seed: int) -> None:
	random.seed(seed)
	os.environ['PYTHONHASHSEED'] = str(seed)
	np.random.seed(seed)
	torch.manual_seed(seed)
	torch.cuda.manual_seed_all(seed)
	torch.backends.cudnn.benchmark = False
	torch.backends.cudnn.deterministic = True

seed = 114514
set_torch_seed(seed)

如果在實踐中還調(diào)用了其他涉及隨機性的第三方庫，則需要根據(jù)上述思路對該固定隨機數(shù)方法進行動態(tài)補充。

以上就是Pytorch固定隨機數(shù)種子的方法小結(jié)的詳細內(nèi)容，更多關(guān)于Pytorch固定隨機數(shù)種子的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論