PyTorch中torch.manual_seed()如何使用

小天博客 • 03/11 21:52 • 开发 • 阅读 49

这篇文章主要介绍“PyTorch中torch.manual_seed()如何使用”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“PyTorch中torch.manual_seed()如何使用”文章能帮助大家解决问题。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。torch.manual_seed(seed) → torch._C.Generatorseed，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。返回一个torch.Generator对象。为CPU中设置种子，生成随机数：为特定GPU设置种子，生成随机数：为所有GPU设置种子，生成随机数：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。每次运行test.py的输出结果都不相同：tensor([0.4351])tensor([0.3651])tensor([0.7465])每次运行 test.py 的输出结果都是一样：tensor([0.4963])改变随机种子的值，设为 1 ：每次免费云主机域名运行 test.py，输出结果都是：tensor([0.7576])改变随机种子的值，设为 5 ：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。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输出结果：tensor([0.4963])
tensor([0.4963])关于“PyTorch中torch.manual_seed()如何使用”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注百云主机行业资讯频道，小编每天都会为大家更新不同的知识点。