文章目录
一、torch.manual_seed(seed) 介绍
-
torch.manual_seed(seed) 功能描述
设置 CPU 生成随机数的 种子 ，方便下次复现实验结果。
为 CPU 设置 种子 用于生成随机数，以使得结果是确定的。
当你设置一个随机种子时，接下来的随机算法生成数根据当前的随机种子按照一定规律生成。
随机种子作用域是在设置时到下一次设置时。要想重复实验结果，设置同样随机种子即可。 -
语法
torch.manual_seed(seed) → torch._C.Generator -
参数
seed，int类型，是种子 – CPU生成随机数的种子。取值范围为 [-0x8000000000000000, 0xffffffffffffffff] ，十进制是 [-9223372036854775808, 18446744073709551615] ，超出该范围将触发 RuntimeError 报错。
-
返回
返回一个torch.Generator对象。
二、类似函数的功能
-
为CPU中设置种子，生成随机数：
torch.manual_seed(number) -
为特定GPU设置种子，生成随机数：
torch.cuda.manual_seed(number) -
为所有GPU设置种子，生成随机数：
# 如果使用多个GPU，应该使用torch.cuda.manual_seed_all()为所有的GPU设置种子。 torch.cuda.manual_seed_all(number)
使用原因 ：
在需要生成随机数据的实验中，每次实验都需要生成数据。设置随机种子是为了确保每次生成固定的随机数，这就使得每次实验结果显示一致了，有利于实验的比较和改进。使得每次运行该 .py 文件时生成的随机数相同。
三、实例
实例 1 ：不设随机种子，生成随机数
# test.py
import torch
print(torch.rand(1)) # 返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数
每次运行test.py的输出结果都不相同：
tensor([0.4351])
tensor([0.3651])
tensor([0.7465])
实例 2 ：设置随机种子，使得每次运行代码生成的随机数都一样
# test.py
import torch
# 设置随机种子
torch.manual_seed(0)
# 生成随机数
print(torch.rand(1)) # 返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数
每次运行 test.py 的输出结果都是一样：
tensor([0.4963])
实例 3 ：不同的随机种子生成不同的值
改变随机种子的值，设为 1 ：
# test.py
import torch
torch.manual_seed(1)
print(torch.rand(1)) # 返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数
每次运行 test.py，输出结果都是：
tensor([0.7576])
改变随机种子的值，设为 5 ：
# test.py
import torch
torch.manual_seed(5)
print(torch.rand(1)) # 返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数
每次运行 test.py，输出结果都是：
tensor([0.8303])
可见不同的随机种子能够生成不同的随机数。
但只要随机种子一样，每次运行代码都会生成该种子下的随机数。
实例 4 ：设置随机种子后，是每次运行test.py文件的输出结果都一样，而不是每次随机函数生成的结果一样
# test.py
import torch
torch.manual_seed(0)
print(torch.rand(1))
print(torch.rand(1))
输出结果：
tensor([0.4963])
tensor([0.7682])
可以看到两次打印 torch.rand(1) 函数生成的结果是不一样的，但如果你再运行test.py，还是会打印：
tensor([0.4963])
tensor([0.7682])
实例 5 ：如果你就是想要每次运行随机函数生成的结果都一样，那你可以在每个随机函数前都设置一模一样的随机种子
# test.py
import torch
torch.manual_seed(0)
print(torch.rand(1))
torch.manual_seed(0)
print(torch.rand(1))
输出结果：
tensor([0.4963])
tensor([0.4963])
参考链接
文章出处登录后可见！
已经登录？立即刷新
