PyTorch怎么設置隨機數種子使結果可復現

這篇文章主要介紹了PyTorch怎么設置隨機數種子使結果可復現，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

由于在模型訓練的過程中存在大量的隨機操作，使得對于同一份代碼，重復運行后得到的結果不一致。因此，為了得到可重復的實驗結果，我們需要對隨機數生成器設置一個固定的種子。這樣我們就得到了結果可復現的隨機數種子。

CUDNN

cudnn中對卷積操作進行了優化，犧牲了精度來換取計算效率。如果需要保證可重復性，可以使用如下設置:

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

不過實際上這個設置對精度影響不大，僅僅是小數點后幾位的差別。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。

Pytorch

torch.manual_seed(seed)            # 為CPU設置隨機種子
torch.cuda.manual_seed(seed)       # 為當前GPU設置隨機種子
torch.cuda.manual_seed_all(seed)   # 為所有GPU設置隨機種子

Python & Numpy

如果讀取數據的過程采用了隨機預處理(如RandomCrop、RandomHorizontalFlip等)，那么對python、numpy的隨機數生成器也需要設置種子。

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

Dataloader

如果dataloader采用了多線程(num_workers > 1), 那么由于讀取數據的順序不同，最終運行結果也會有差異。

也就是說，改變num_workers參數，也會對實驗結果產生影響。

目前暫時沒有發現解決這個問題的方法，但是只要固定num_workers數目（線程數）不變，基本上也能夠重復實驗結果。

補充：pytorch 固定隨機數種子踩過的坑

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.繼續添加如下代碼：

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.在上面的操作之后發現加載的數據多次試驗大部分一致了

但是仍然有些數據是不一致的，后來發現是pytorch版本的問題，將原先的0.3.1版本升級到1.1.0版本，問題解決

4.按照上面的操作后雖然解決了問題

但是由于將cudnn.benchmark設置為False，運行速度降低到原來的1/3，所以繼續探索，最終解決方案是把第1步變為如下，同時將該部分代碼盡可能放在主程序最開始的部分，例如：

import torch
import torch.nn as nn
from torch.nn import init
import pdb
import torch.nn.parallel
import torch.nn.functional as F
import torch.backends.cudnn as cudnn
import torch.optim as optim
import torch.utils.data
from torch.utils.data import DataLoader, Dataset
import sys
gpu_id = "3,2"
os.environ["CUDA_VISIBLE_DEVICES"] = gpu_id
print('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 = False

setup_seed(2019)

感謝你能夠認真閱讀完這篇文章，希望小編分享的“PyTorch怎么設置隨機數種子使結果可復現”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業資訊頻道，更多相關知識等著你來學習!