Pytorch--Numpy--Random中的随机种子函数: seed(number)用法总结

torch 和numpy中随机初始化的一致性

torch.manual_seed(number)

https://pytorch.org/docs/master/generated/torch.manual_seed.html
为CPU设置种子用于生成随机数，使得结果每次都一致
Parameters
seed [int] - The desired seed.

torch.cuda.manual_seed(number)

为当前 GPU 设置种子用于生成随机数，以使得结果是确定的。
Parameters
seed [int] - The desired seed.

torch.cuda.manual_seed_all(number)

针对多GPU,第二种方式的初始化方式是不能胜任的（insufficient）
为所有的 GPU 设置种子用于生成随机数，以使得结果是确定的。
Parameters
seed [int] - The desired seed.

numpy.random.seed(number)

如果在程序中设置相同的seed，每次生成的随机数都保持一致
例如：

import numpy as np
np.random.seed(0)
np.random.rand(4)

array([0.43, 0.41, 0.34, 0.89])

np.random.seed(0)
np.random.rand(4)

array([0.43, 0.41, 0.34, 0.89])

random.seed(number)

针对random库的随机种子函数，确保随机数保持一致。

import random
random.seed(1)
print(‘随机数1：’， random.random())
random.seed(1)
print(‘随机数2：’， random.random())
random.seed(2)
print(‘随机数3：’， random.random())

随机数1: 0.76435129
随机数2: 0.76435129
随机数3: 0.12147516

从上述总结可知，seed(number)中number保持一致，随机数的结果也就一致。

未完待续…