原因:保证使用同一种子每次实验生成一定的随机数,并与每次实验结果一致。 不同的种子会生成不同的随机数。
seed=random.randint (1,10000 )打印(' random seed : { }.format ) (random.seed ) ) NP.random.random.randd
if torch.cuda.is _ available (: print ) ' GPUcudaisavailable!' ) torch.cuda.manual_seed(1000 ) else :打印(cudaisnotavailable! cpu is available! ' ) Torch.manual_seed(1000 ) random.seed () )更改随机数生成器的种子,并在调用其他随机模块函数之前调用此函数
seed ) )没有参数时,生成的随机数每次都不同,seed ) )有参数时相同,根据参数生成的随机数不同
import random#随机数不同的random.seed(print )、随机数1:)、random.random (random.seed )、random.print )、随机数2:) random.random )、random.seed )、2 ) print )、随机数5 )、random.random () )、' '随机数1: 0.7643602170615428随机数2:0.316331638
` np.random.seed () )如果将seed的值设定为某个恒定值,则np.random中随机数生成函数生成的随机数永远不变。 更明确地说,如果zrdhf将设置为seed(0),则每次执行代码时(np.random.rand ) )生成的随机数始终为0.5488135039273248。 第二次在np.random.rand ()中发生的随机数始终为0.7151893663724195
importnumpyasNP.random.seed(0) for i in range(6)6) :print(NP.random.rand ) ) 0.54881350392732480.7151893637241950.60276337607164390.5488318299689690.4236547993890470.645894130666561 NP.RP