Pytorch固定随机数种子的方法小结

引言

在对神经网络模型进行训练时，有时候会存在对训练过程进行复现的需求。然而，每次运行时 Pytorch、Numpy 中的随机性将使得该目的变得困难重重。在程序运行前固定所有随机数的种子有望解决这一问题。基于此，本文记录了 Pytorch 中的固定随机数种子的方法。

在使用 Pytorch 对模型进行训练时，通常涉及到随机数的模块包括：Python、Pytorch、Numpy、Cudnn。因此，在开始训练前，需要针对这些涉及随机数的模块进行随机数种子的固定。

1. Python

Python 本身涉及到的随机性主要是 Python 自带的 random 库随机化和 Hash 随机化问题，需要通过 os 库对其进行限制：

import os, random
random.seed(seed)
os.environ['PYTHONHASHSEED'] = str(seed)

2. Numpy

在使用 Numpy 库取随机数时，需要对其随机数种子进行限制：

import numpy as np
np.random.seed(seed)

3. Pytorch

当 Pytorch 使用 CPU 进行运算时，需要设定 CPU 支撑下的 Pytorch 随机数种子：

import torch
torch.manual_seed(seed)

当 Pytorch 使用 GPU 进行运算时，需要设定 GPU 支撑下的 Pytorch 随机数种子：

import torch
torch.cuda.manual_seed(seed)
torch.cuda.manual_seed_all(seed) # 使用多 GPU 时使用

需要特别注意的是：目前很多博客和知乎回答提出 torch.cuda.manual_seed(seed) 和 torch.cuda.manual_seed_all(seed) 具有相同的作用。这个结论需要注意 Pytorch 版本。在笔者所用的 Pytorch 2.1 版本下，这两个函数的作用完全不同。参考官方文档：torch.cuda.manual_seed 和 torch.cuda.manual_seed_all(seed)

当 Pytorch 使用 Cudnn 进行加速运算时，还需要限制 Cudnn 在加速过程中涉及到的随机策略：

import torch
torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmark = False

总结

基于上述库的固定随机数方法总结为：

def set_random_seed(seed: int) -> None:
	random.seed(seed)
	os.environ['PYTHONHASHSEED'] = str(seed)
	np.random.seed(seed)
	torch.manual_seed(seed)
	torch.cuda.manual_seed_all(seed)
	torch.backends.cudnn.benchmark = False
	torch.backends.cudnn.deterministic = True

seed = 114514
set_torch_seed(seed)

如果在实践中还调用了其他涉及随机性的第三方库，则需要根据上述思路对该固定随机数方法进行动态补充。

以上就是Pytorch固定随机数种子的方法小结的详细内容，更多关于Pytorch固定随机数种子的资料请关注脚本之家其它相关文章！