PyTorch中torch.manual_seed()的用法实例详解

目录

• 一、torch.manual_seed(seed) 介绍
• torch.manual_seed(seed) 功能描述
• 语法
• 参数
• 返回
• 二、类似函数的功能
• 三、实例
• 实例 1 ：不设随机种子，生成随机数
• 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
• 实例 3 ：不同的随机种子生成不同的值
• 总结

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

【pytorch】torch.manual_seed()用法详解

总结

到此这篇关于PyTorch中torch.manual_seed()的法的文章就介绍到这了,更多相关PyTorch中torch.manual_seed()内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！