隨機數(shù)廣泛應用在科學研究, 但是計算機無法產(chǎn)生真正的隨機數(shù), 一般成為偽隨機數(shù). 它的產(chǎn)生過程: 給定一個隨機種子(一個正整數(shù)), 根據(jù)隨機算法和種子產(chǎn)生隨機序列. 給定相同的隨機種子, 計算機產(chǎn)生的隨機數(shù)列是一樣的(這也許是偽隨機的原因).

讓客戶滿意是我們工作的目標，不斷超越客戶的期望值來自于我們對這個行業(yè)的熱愛。我們立志把好的技術通過有效、簡單的方式提供給客戶，將通過不懈努力成為客戶在信息化領域值得信任、有價值的長期合作伙伴，公司提供的服務項目有：域名注冊、網(wǎng)頁空間、營銷軟件、網(wǎng)站建設、元江縣網(wǎng)站維護、網(wǎng)站推廣。

隨機種子是什么？

隨機種子是針對隨機方法而言的。

隨機方法：常見的隨機方法有 生成隨機數(shù)，以及其他的像 隨機排序 之類的，后者本質上也是基于生成隨機數(shù)來實現(xiàn)的。在深度學習中，比較常用的隨機方法的應用有：網(wǎng)絡的隨機初始化，訓練集的隨機打亂等。

隨機種子的取值范圍？

可以是任意數(shù)字，如10，1000

python random

下面以python的random函數(shù)為例, 做了一個測試.

當用戶未指定隨機種子, 系統(tǒng)默認隨機生成, 一般與系統(tǒng)當前時間有關.用戶指定隨機種子后, 使用隨機函數(shù)產(chǎn)生的隨機數(shù)可以復現(xiàn).種子確定后, 每次使用隨機函數(shù)相當于從隨機序列去獲取隨機數(shù), 每次獲取的隨機數(shù)是不同的.

pytorch

使用pytorch復現(xiàn)效果時, 總是無法做到完全的復現(xiàn). 同一份代碼運行兩次, 有時結果差異很大. 這是由于算法中的隨機性導致的. 要想每次獲得的結果一致, 必須固定住隨機種子. 首先, 我們需要找到算法在哪里使用了隨機性, 再相應的固定住隨機種子.

def seed_torch():
	seed = 1024 # 用戶設定
 # seed = int(time.time()*256)
 # 保存隨機種子
 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()

分享文章：簡述python&pytorch隨機種子的實現(xiàn)-創(chuàng)新互聯(lián)
URL鏈接：http://weahome.cn/article/ddecec.html