隨機(jī)數(shù)廣泛應(yīng)用在科學(xué)研究, 但是計(jì)算機(jī)無(wú)法產(chǎn)生真正的隨機(jī)數(shù), 一般成為偽隨機(jī)數(shù). 它的產(chǎn)生過(guò)程: 給定一個(gè)隨機(jī)種子(一個(gè)正整數(shù)), 根據(jù)隨機(jī)算法和種子產(chǎn)生隨機(jī)序列. 給定相同的隨機(jī)種子, 計(jì)算機(jī)產(chǎn)生的隨機(jī)數(shù)列是一樣的(這也許是偽隨機(jī)的原因).
隨機(jī)種子是什么?
隨機(jī)種子是針對(duì)隨機(jī)方法而言的。
隨機(jī)方法:常見(jiàn)的隨機(jī)方法有 生成隨機(jī)數(shù),以及其他的像 隨機(jī)排序 之類(lèi)的,后者本質(zhì)上也是基于生成隨機(jī)數(shù)來(lái)實(shí)現(xiàn)的。在深度學(xué)習(xí)中,比較常用的隨機(jī)方法的應(yīng)用有:網(wǎng)絡(luò)的隨機(jī)初始化,訓(xùn)練集的隨機(jī)打亂等。
隨機(jī)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(gè)測(cè)試.
當(dāng)用戶(hù)未指定隨機(jī)種子, 系統(tǒng)默認(rèn)隨機(jī)生成, 一般與系統(tǒng)當(dāng)前時(shí)間有關(guān).用戶(hù)指定隨機(jī)種子后, 使用隨機(jī)函數(shù)產(chǎn)生的隨機(jī)數(shù)可以復(fù)現(xiàn).種子確定后, 每次使用隨機(jī)函數(shù)相當(dāng)于從隨機(jī)序列去獲取隨機(jī)數(shù), 每次獲取的隨機(jī)數(shù)是不同的.
pytorch
使用pytorch復(fù)現(xiàn)效果時(shí), 總是無(wú)法做到完全的復(fù)現(xiàn). 同一份代碼運(yùn)行兩次, 有時(shí)結(jié)果差異很大. 這是由于算法中的隨機(jī)性導(dǎo)致的. 要想每次獲得的結(jié)果一致, 必須固定住隨機(jī)種子. 首先, 我們需要找到算法在哪里使用了隨機(jī)性, 再相應(yīng)的固定住隨機(jī)種子.
def seed_torch(): seed = 1024 # 用戶(hù)設(shè)定 # seed = int(time.time()*256) # 保存隨機(jī)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()
分享題目:簡(jiǎn)述python&pytorch隨機(jī)種子的實(shí)現(xiàn)-創(chuàng)新互聯(lián)
文章出自:http://chinadenli.net/article42/ddecec.html
成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián),為您提供微信小程序、建站公司、ChatGPT、網(wǎng)站設(shè)計(jì)、App開(kāi)發(fā)、企業(yè)網(wǎng)站制作
聲明:本網(wǎng)站發(fā)布的內(nèi)容(圖片、視頻和文字)以用戶(hù)投稿、用戶(hù)轉(zhuǎn)載內(nèi)容為主,如果涉及侵權(quán)請(qǐng)盡快告知,我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如需處理請(qǐng)聯(lián)系客服。電話:028-86922220;郵箱:631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載,或轉(zhuǎn)載時(shí)需注明來(lái)源: 創(chuàng)新互聯(lián)
猜你還喜歡下面的內(nèi)容