一、torch.manual_seed(seed) 介紹

torch.manual_seed(seed) 功能描述

設(shè)置 CPU 生成隨機(jī)數(shù)的 種子 ，方便下次復(fù)現(xiàn)實(shí)驗(yàn)結(jié)果。

為 CPU 設(shè)置 種子 用于生成隨機(jī)數(shù)，以使得結(jié)果是確定的。

當(dāng)你設(shè)置一個(gè)隨機(jī)種子時(shí)，接下來(lái)的隨機(jī)算法生成數(shù)根據(jù)當(dāng)前的隨機(jī)種子按照一定規(guī)律生成。
隨機(jī)種子作用域是在設(shè)置時(shí)到下一次設(shè)置時(shí)。要想重復(fù)實(shí)驗(yàn)結(jié)果，設(shè)置同樣隨機(jī)種子即可。

語(yǔ)法

torch.manual_seed(seed) → torch._C.Generator

參數(shù)

seed，int類(lèi)型，是種子 – CPU生成隨機(jī)數(shù)的種子。取值范圍為 [-0x8000000000000000, 0xffffffffffffffff] ，十進(jìn)制是 [-9223372036854775808, 18446744073709551615] ，超出該范圍將觸發(fā) RuntimeError 報(bào)錯(cuò)。

返回

返回一個(gè)torch.Generator對(duì)象。

二、類(lèi)似函數(shù)的功能

為CPU中設(shè)置種子，生成隨機(jī)數(shù)：

torch.manual_seed(number)

為特定GPU設(shè)置種子，生成隨機(jī)數(shù)：

torch.cuda.manual_seed(number)

為所有GPU設(shè)置種子，生成隨機(jī)數(shù)：

# 如果使用多個(gè)GPU，應(yīng)該使用torch.cuda.manual_seed_all()為所有的GPU設(shè)置種子。
torch.cuda.manual_seed_all(number)

使用原因 ：

在需要生成隨機(jī)數(shù)據(jù)的實(shí)驗(yàn)中，每次實(shí)驗(yàn)都需要生成數(shù)據(jù)。設(shè)置隨機(jī)種子是為了確保每次生成固定的隨機(jī)數(shù)，這就使得每次實(shí)驗(yàn)結(jié)果顯示一致了，有利于實(shí)驗(yàn)的比較和改進(jìn)。使得每次運(yùn)行該 .py 文件時(shí)生成的隨機(jī)數(shù)相同。

三、實(shí)例

實(shí)例 1 ：不設(shè)隨機(jī)種子，生成隨機(jī)數(shù)

# test.py
import torch
print(torch.rand(1)) # 返回一個(gè)張量，包含了從區(qū)間[0, 1)的均勻分布中抽取的一組隨機(jī)數(shù)

每次運(yùn)行test.py的輸出結(jié)果都不相同：

tensor([0.4351])

tensor([0.3651])

tensor([0.7465])

實(shí)例 2 ：設(shè)置隨機(jī)種子，使得每次運(yùn)行代碼生成的隨機(jī)數(shù)都一樣

# test.py
import torch
# 設(shè)置隨機(jī)種子
torch.manual_seed(0)
# 生成隨機(jī)數(shù)
print(torch.rand(1)) # 返回一個(gè)張量，包含了從區(qū)間[0, 1)的均勻分布中抽取的一組隨機(jī)數(shù)

每次運(yùn)行 test.py 的輸出結(jié)果都是一樣：

tensor([0.4963])

實(shí)例 3 ：不同的隨機(jī)種子生成不同的值

改變隨機(jī)種子的值，設(shè)為 1 ：

# test.py
import torch
torch.manual_seed(1)
print(torch.rand(1)) # 返回一個(gè)張量，包含了從區(qū)間[0, 1)的均勻分布中抽取的一組隨機(jī)數(shù)

每次運(yùn)行 test.py，輸出結(jié)果都是：

tensor([0.7576])

改變隨機(jī)種子的值，設(shè)為 5 ：

# test.py
import torch
torch.manual_seed(5)
print(torch.rand(1)) # 返回一個(gè)張量，包含了從區(qū)間[0, 1)的均勻分布中抽取的一組隨機(jī)數(shù)

每次運(yùn)行 test.py，輸出結(jié)果都是：

tensor([0.8303])

可見(jiàn)不同的隨機(jī)種子能夠生成不同的隨機(jī)數(shù)。

但只要隨機(jī)種子一樣，每次運(yùn)行代碼都會(huì)生成該種子下的隨機(jī)數(shù)。

實(shí)例 4 ：設(shè)置隨機(jī)種子后，是每次運(yùn)行test.py文件的輸出結(jié)果都一樣，而不是每次隨機(jī)函數(shù)生成的結(jié)果一樣
# test.py
import torch
torch.manual_seed(0)
print(torch.rand(1))
print(torch.rand(1))

輸出結(jié)果：

tensor([0.4963])
tensor([0.7682])

可以看到兩次打印 torch.rand(1) 函數(shù)生成的結(jié)果是不一樣的，但如果你再運(yùn)行test.py，還是會(huì)打印：

tensor([0.4963])
tensor([0.7682])

實(shí)例 5 ：如果你就是想要每次運(yùn)行隨機(jī)函數(shù)生成的結(jié)果都一樣，那你可以在每個(gè)隨機(jī)函數(shù)前都設(shè)置一模一樣的隨機(jī)種子

# test.py
import torch
torch.manual_seed(0)
print(torch.rand(1))
torch.manual_seed(0)
print(torch.rand(1))

輸出結(jié)果：

tensor([0.4963])
tensor([0.4963])

參考鏈接

【pytorch】torch.manual_seed()用法詳解

總結(jié)