【pytorch】pytorch模型可复现设置

序言

• 为了让模型在同一设备每次训练的结果可复现，需进行可复现设置

1. 可复现设置代码

def set_seed(seed):
    random.seed(seed)
    np.random.seed(seed)
    os.environ['PYTHONHASHSEED'] = str(seed)

    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)
    torch.cuda.manual_seed_all(seed)
 
    torch.backends.cudnn.deterministic = True
    torch.backends.cudnn.benchmark = False
    torch.backends.cudnn.enabled = False
 
    os.environ['CUBLAS_WORKSPACE_CONFIG'] = ':16:8'

    torch.use_deterministic_algorithms(True)
 
set_seed(21)

2. 可复现设置代码解析

2.1 消除python与numpy的随机性

import random
import numpy as np

# 消除numpy和random的随机性
random.seed(SEED)
np.random.seed(SEED)

# 固定python环境变量中的PYTHONHASHSEED，禁止hash随机化
os.environ['PYTHONHASHSEED'] = str(seed)

2.2 消除torch的随机性

import torch
import torch
torch.manual_seed(SEED)
torch.cuda.manual_seed(SEED) 		# 适用于显卡训练
torch.cuda.manual_seed_all(SEED) 	# 适用于多显卡训练

2.3 消除DataLoader的随机性

• 使用torch时，一般都会使用DataLoader加载数据集，这个类使用了多线程的处理方式，因此会造成一定随机性

def seed_worker(worker_id):
    random.seed(SEED + worker_id)
 
g = torch.Generator()
g.manual_seed(SEED)

DataLoader(
    train_dataset,
    batch_size=batch_size,
    num_workers=num_workers,
    worker_init_fn=seed_worker
    generator=g,
)

• 设置shuffle=True并设置随机种子

# 可复现设置代码，可按上述来设置
def setup_seed(seed):
   torch.manual_seed(seed)
   torch.cuda.manual_seed_all(seed)
   np.random.seed(seed)
   random.seed(seed)
   torch.backends.cudnn.deterministic = True

# 设置随机数种子
setup_seed(21)

# shufle=True,不同训练之间一样的乱序
train_loader2 = DataLoader(dataset=dealDataset, batch_size=32, shuffle=True)

2.4 消除cuda的随机性

• 适用于GPU训练

# 确保每次返回的卷积算法等是固定的
torch.backends.cudnn.deterministic = True

# 禁止cudnn使用非确定性算法
torch.backends.cudnn.enabled = False

# 配合enabled命令使用
# True：自动寻找最适合当前配置的高效算法来优化运行效率
# False：保证实验结果可复现
torch.backends.cudnn.benchmark = False

• 不设置torch.backends.cudnn.enabled = False的话，无法保证训练结果可复现性。但添加这行后会导致训练速度很慢

• 如果cuda是10.2及以上版本，少数cuda操作是不确定的，需要做如下设置

os.environ['CUBLAS_WORKSPACE_CONFIG'] = ':16:8'

或

os.environ['CUBLAS_WORKSPACE_CONFIG'] = ':4096:8'

2.5 避免pytorch使用不确定性算法

• 配置pytorch在可用的情况下，使用确定性算法而不是非确定性算法。如果已知某个操作是不确定的，并且没有确定的替代办法，则抛出RuntimeError错误

torch.use_deterministic_algorithms(True)

2.6 使用pytorch-lightning

• 详见 pytorch-lightning设置

• 该方法保证了可复现的同时，没有牺牲任何训练速度

2.7 特殊情况

• 在某些版本的CUDA中，RNN和LSTM网络可能具有不确定性行为，如LSTM中的dropout，需要注意这一特性。需要关注如何消除不确定性

 

---

【参考文章】
[1]. pytorch模型可复现性设置
[2]. DataLoader类设置打乱的随机数种子
[3]. pytorch消除模型训练的随机性
[4]. pytorch模型训练可复现方案

created by shuaixio, 2024.02.24