簡(jiǎn)述python&pytorch 隨機(jī)種子的實(shí)現(xiàn)
隨機(jī)數(shù)廣泛應(yīng)用在科學(xué)研究, 但是計(jì)算機(jī)無(wú)法產(chǎn)生真正的隨機(jī)數(shù), 一般成為偽隨機(jī)數(shù). 它的產(chǎn)生過(guò)程: 給定一個(gè)隨機(jī)種子(一個(gè)正整數(shù)), 根據(jù)隨機(jī)算法和種子產(chǎn)生隨機(jī)序列. 給定相同的隨機(jī)種子, 計(jì)算機(jī)產(chǎn)生的隨機(jī)數(shù)列是一樣的(這也許是偽隨機(jī)的原因).
隨機(jī)種子是什么?
隨機(jī)種子是針對(duì)隨機(jī)方法而言的。
隨機(jī)方法:常見(jiàn)的隨機(jī)方法有 生成隨機(jī)數(shù),以及其他的像 隨機(jī)排序 之類的,后者本質(zhì)上也是基于生成隨機(jī)數(shù)來(lái)實(shí)現(xiàn)的。在深度學(xué)習(xí)中,比較常用的隨機(jī)方法的應(yīng)用有:網(wǎng)絡(luò)的隨機(jī)初始化,訓(xùn)練集的隨機(jī)打亂等。
隨機(jī)種子的取值范圍?
可以是任意數(shù)字,如10,1000
python random
下面以python的random函數(shù)為例, 做了一個(gè)測(cè)試.
當(dāng)用戶未指定隨機(jī)種子, 系統(tǒng)默認(rèn)隨機(jī)生成, 一般與系統(tǒng)當(dāng)前時(shí)間有關(guān).用戶指定隨機(jī)種子后, 使用隨機(jī)函數(shù)產(chǎn)生的隨機(jī)數(shù)可以復(fù)現(xiàn).種子確定后, 每次使用隨機(jī)函數(shù)相當(dāng)于從隨機(jī)序列去獲取隨機(jī)數(shù), 每次獲取的隨機(jī)數(shù)是不同的.
pytorch
使用pytorch復(fù)現(xiàn)效果時(shí), 總是無(wú)法做到完全的復(fù)現(xiàn). 同一份代碼運(yùn)行兩次, 有時(shí)結(jié)果差異很大. 這是由于算法中的隨機(jī)性導(dǎo)致的. 要想每次獲得的結(jié)果一致, 必須固定住隨機(jī)種子. 首先, 我們需要找到算法在哪里使用了隨機(jī)性, 再相應(yīng)的固定住隨機(jī)種子.
def seed_torch(): seed = 1024 # 用戶設(shè)定 # seed = int(time.time()*256) # 保存隨機(jī)種子 with open('seed.txt', 'w') as f: f.write(str(seed)) random.seed(seed) os.environ['PYTHONHASHSEED'] = str(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed(seed) torch.cuda.manual_seed_all(seed) torch.backends.cudnn.benchmark = False torch.backends.cudnn.deterministic = True seed_torch()
上面的代碼固定了pytorch常用的隨機(jī)種子, 但是如果你在預(yù)處理中涉及了隨機(jī)性, 也需要固定住.
為了復(fù)現(xiàn)結(jié)果, 我們固定住了隨機(jī)種子. 但pytorch訓(xùn)練模型時(shí), 不同的隨機(jī)種子會(huì)產(chǎn)生不同的結(jié)果. 每次使用固定的隨機(jī)種子, 可能錯(cuò)失好的結(jié)果. 為此, 我們可以每次使用不一樣的隨機(jī)種子, 并保存下來(lái)
到此這篇關(guān)于簡(jiǎn)述python&pytorch 隨機(jī)種子的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)pytorch 隨機(jī)種子內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
Python接口自動(dòng)化測(cè)試的實(shí)現(xiàn)
這篇文章主要介紹了Python接口自動(dòng)化測(cè)試的實(shí)現(xiàn),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-08-08matplotlib如何設(shè)置坐標(biāo)軸刻度的個(gè)數(shù)及標(biāo)簽的方法總結(jié)
這里介紹兩種設(shè)置坐標(biāo)軸刻度的方法,一種是利用pyplot提交的api去進(jìn)行設(shè)置,另一種是通過(guò)調(diào)用面向?qū)ο蟮腶pi, 即通過(guò)matplotlib.axes.Axes去設(shè)置,需要的朋友可以參考下2021-06-06詳解win10下pytorch-gpu安裝以及CUDA詳細(xì)安裝過(guò)程
這篇文章主要介紹了win10下pytorch-gpu安裝以及CUDA詳細(xì)安裝過(guò)程,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2021-01-01Python中利用Scipy包的SIFT方法進(jìn)行圖片識(shí)別的實(shí)例教程
SIFT算法可以檢測(cè)圖片中的局部特征,算法原理相當(dāng)復(fù)雜...但是!Python強(qiáng)大的第三方包Scipy中帶有實(shí)現(xiàn)SIFT算法的SIFT方法,我們只要拿來(lái)用就可以了,下面就為大家?guī)?lái)Python中利用Scipy包的SIFT方法進(jìn)行圖片識(shí)別的實(shí)例教程.2016-06-06Python學(xué)習(xí)筆記_數(shù)據(jù)排序方法
Python對(duì)數(shù)據(jù)排序有兩種方法:下面我們來(lái)簡(jiǎn)單分析下2014-05-05解決python3爬蟲(chóng)無(wú)法顯示中文的問(wèn)題
下面小編就為大家分享一篇解決python3爬蟲(chóng)無(wú)法顯示中文的問(wèn)題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-04-04