这篇教程PyTorch 如何设置随机数种子使结果可复现写得很实用，希望能帮到您。
由于在模型训练的过程中存在大量的随机操作，使得对于同一份代码，重复运行后得到的结果不一致。 因此，为了得到可重复的实验结果，我们需要对随机数生成器设置一个固定的种子。 CUDNNcudnn中对卷积操作进行了优化，牺牲了精度来换取计算效率。如果需要保证可重复性，可以使用如下设置: from torch.backends import cudnncudnn.benchmark = False # if benchmark=True, deterministic will be Falsecudnn.deterministic = True 不过实际上这个设置对精度影响不大，仅仅是小数点后几位的差别。所以如果不是对精度要求极高，其实不太建议修改，因为会使计算效率降低。 Pytorchtorch.manual_seed(seed) # 为CPU设置随机种子torch.cuda.manual_seed(seed) # 为当前GPU设置随机种子torch.cuda.manual_seed_all(seed) # 为所有GPU设置随机种子 Python & Numpy如果读取数据的过程采用了随机预处理(如RandomCrop、RandomHorizontalFlip等)，那么对python、numpy的随机数生成器也需要设置种子。 import randomimport numpy as nprandom.seed(seed)np.random.seed(seed) Dataloader如果dataloader采用了多线程(num_workers > 1), 那么由于读取数据的顺序不同，最终运行结果也会有差异。 也就是说，改变num_workers参数，也会对实验结果产生影响。 目前暂时没有发现解决这个问题的方法，但是只要固定num_workers数目（线程数）不变，基本上也能够重复实验结果。 补充：pytorch 固定随机数种子踩过的坑 1.初步固定 def setup_seed(seed): torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) torch.cuda.manual_seed(seed) np.random.seed(seed) random.seed(seed) torch.backends.cudnn.deterministic = True torch.backends.cudnn.enabled = False torch.backends.cudnn.benchmark = False #torch.backends.cudnn.benchmark = True #for accelerating the running setup_seed(2019) 2.继续添加如下代码：tensor_dataset = ImageList(opt.training_list,transform)def _init_fn(worker_id): random.seed(10 + worker_id) np.random.seed(10 + worker_id) torch.manual_seed(10 + worker_id) torch.cuda.manual_seed(10 + worker_id) torch.cuda.manual_seed_all(10 + worker_id)dataloader = DataLoader(tensor_dataset, batch_size=opt.batchSize, shuffle=True, num_workers=opt.workers, worker_init_fn=_init_fn) 3.在上面的操作之后发现加载的数据多次试验大部分一致了但是仍然有些数据是不一致的，后来发现是pytorch版本的问题，将原先的0.3.1版本升级到1.1.0版本，问题解决 4.按照上面的操作后虽然解决了问题但是由于将cudnn.benchmark设置为False，运行速度降低到原来的1/3，所以继续探索，最终解决方案是把第1步变为如下，同时将该部分代码尽可能放在主程序最开始的部分，例如： import torchimport torch.nn as nnfrom torch.nn import initimport pdbimport torch.nn.parallelimport torch.nn.functional as Fimport torch.backends.cudnn as cudnnimport torch.optim as optimimport torch.utils.datafrom torch.utils.data import DataLoader, Datasetimport sysgpu_id = "3,2"os.environ["CUDA_VISIBLE_DEVICES"] = gpu_idprint('GPU: ',gpu_id)def setup_seed(seed): torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) torch.cuda.manual_seed(seed) np.random.seed(seed) random.seed(seed) cudnn.deterministic = True #cudnn.benchmark = False #cudnn.enabled = Falsesetup_seed(2019)以上为个人经验，希望能给大家一个参考，也希望大家多多支持51zixue.net。如有错误或未考虑完全的地方，望不吝赐教。
Python Parser的用法
python 使用Tensorflow训练BP神经网络实现鸢尾花分类 |
