原理

在神经网络中，参数默认是进行随机初始化的。不同的初始化参数往往会导致不同的结果。

当得到比较好的结果时我们通常希望这个结果是可以复现的，在pytorch中，通过设置全局随机数种子可以实现这个目的。

具体操作

对随机数生成器设置固定种子的操作可以分为四部分。

1. cuDNN

cudnn中对卷积操作进行了优化，牺牲了精度来换取计算效率。

如果需要保证可重复性，可以使用如下设置:

from torch.backends import cudnn

cudnn.benchmark = False # if benchmark=True, deterministic will be False

cudnn.deterministic = True

不过实际上这个设置对精度影响不大，仅仅是小数点后几位的差别。所以如果不是对精度要求极高，其实不太建议修改，因为会使计算效率降低。

2. PyTorch

seed = 0

torch.manual_seed(seed) # 为CPU设置随机种子

torch.cuda.manual_seed(seed) # 为当前GPU设置随机种子

torch.cuda.manual_seed_all(seed) # 为所有GPU设置随机种子

3. Python & NumPy

如果读取数据的过程采用了随机预处理(如RandomCrop、RandomHorizontalFlip等)，那么对python、numpy的随机数生成器也需要设置种子。

import os

import random

import numpy as np

seed = 0

random.seed(seed)

np.random.seed(seed)

os.environ['PYTHONHASHSEED'] = str(seed) # 为了禁止hash随机化，使得实验可复现。

4. dataloader

如果dataloader采用了多线程(num_workers > 1), 那么由于读取数据的顺序不同，最终运行结果也会有差异。也就是说，改变num_workers参数，也会对实验结果产生影响。

目前暂时没有发现解决这个问题的方法，但是只要固定num_workers数目(线程数)不变，基本上也能够重复实验结果。

对于不同线程的随机数种子设置，主要通过DataLoader的worker_init_fn参数来实现。默认情况下使用线程ID作为随机数种子。如果需要自己设定，可以参考以下代码：

GLOBAL_SEED = 1

def set_seed(seed):

random.seed(seed)

np.random.seed(seed)

torch.manual_seed(seed)

torch.cuda.manual_seed(seed)

torch.cuda.manual_seed_all(seed)

GLOBAL_WORKER_ID = None

def worker_init_fn(worker_id):

global GLOBAL_WORKER_ID

GLOBAL_WORKER_ID = worker_id

set_seed(GLOBAL_SEED + worker_id)

dataloader = DataLoader(dataset, batch_size=16, shuffle=True, num_workers=2, worker_init_fn=worker_init_fn)

参考