随机数字表的使用步骤,神鸭特工随机种子

pytorch随机种子

在使用pytorch框架搭建模型的时候，模型中的参数都是进行初始化的，且每次初始化的结果不同，这就导致每次的训练模型不一样，要想在程序不变的情况下，使得每次的输出结果一致，那就要设定随机种子。
先来了解一下随机种子：
拿numpy举例：

import numpy as npn=0while(n<5): np.random.seed(2) n+=1 print(np.random.random())print('n')n=0np.random.seed(2)while(n<5): n+=1 print(np.random.random())

输出的结果为：

0.435994902142003760.435994902142003760.435994902142003760.435994902142003760.435994902142003760.435994902142003760.0259262318278913330.54966247787870910.43532239261827690.42036780208748903

当我们设定一个随机种子时，那么关于随机数的选取就确定了。但是我们可以发现，随机数只会确定最近的一个random的选取，那么后面的随机数是怎么确定的呢？
其实，当我们选取了一个随机种子的时候，在确定了接下来的random之后，还会生成下一个种子，这个种子的形成，和你当前选取的种子有关。所以只要确定一个选取的种子，那么接下来的随机数也会被固定。所以我们没有必要对每个随机数的选取，都人为给定一个种子，只需要设定一次就好。

pytorch设定随机种子

之前使用随机种子的设定使用cpu或gpu时需要不同的代码进行设定，现在已经统一为：

torch.manual_seed(10)

种子的数字10可以自己给定。
这样，当我们在训练模型的时候，在不该变程序的基础上，每次运行的结果就会一致了。