Python 随机种子介绍，PyTorch 中随机种子的设置与应用

什么是随机种子？

随机种子是针对 随机方法 而言的。

随机方法：常见的随机方法有 生成随机数，以及其他的像 随机排序 之类的，后者本质上也是 基于生成随机数来实现的。在深度学习中，比较常用的随机方法的应用有：网络的随机初始化，训练集的随机打乱 等。

举个例子，如果我们简单调用 random.random() 来生成随机数，那么每一次生成的数都是随机的。但是，当我们预先使用 random.seed(x) 设定好随机种子，基于这个种子来执行随机算法，这个时候我们 得到的随机数序列是相同的。

随机种子的工作原理（计算机底层是如何实现生成随机数的）？

虽然计算机很擅长做精确计算，但是它们处理随机事件时非常不靠谱。

实际上，计算机中的所有随机数都是 伪随机数，是靠 随机数算法 生成的，随机数算法其实就是在努力创造一种 呈均匀分布且难以预测的 数据序列。

所有的随机数算法在初始化阶段都需要一个 随机“种子”（random seed），完全相同的种子每次将产生相同的“随机”数序列。如果我们没有手动进行显式设置，系统则 默认根据时间来选择这个值，此时每次生成的随机数因时间差异而不同。

随机种子的一些使用特性

① 随机种子的取值范围？

可以是任意数字，如10，1000

② 随机种子的作用范围

np.random.seed(0)
print(np.random.rand(3))
print(np.random.rand(3))

输出:

[0.5488135  0.71518937 0.60276338]
[0.54488318 0.4236548  0.64589411]

再次运行程序，会输出同一组随机数:

[0.5488135  0.71518937 0.60276338]
[0.54488318 0.4236548  0.64589411]

想要在同一个程序中产生同一组随机数，需要在下一个函数前设置一个相同的随机种子

np.random.seed(0)
print(np.random.rand(3))
np.random.seed(0)
print(np.random.rand(3))

输出:

[0.5488135  0.71518937 0.60276338]
[0.5488135  0.71518937 0.60276338]

为什么需要随机种子？

打个比方，在机器学习，深度学习算法中，我们往往会用到随机向量，随机矩阵，这使得我们每次运行算法计算出来的结果是不一致的，会为我们调试算法带来麻烦。

基于随机种子来实现代码中的随机方法，能够 保证多次运行此段代码能够得到完全一样的结果，即保证结果的 可复现性，这样 别人跑你的代码的时候也能够很好地复现出你的结果。

---

PyTorch 中随机种子的设置方法

[参考资料]：Pytorch设置随机数种子，使训练结果可复现。

在使用 PyTorch 时，如果希望通过设置随机数种子，在 GPU 或 CPU 上固定每一次的训练结果，则需要在程序执行的开始处添加以下代码：

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(20)
# 预处理数据以及训练模型
# ...
# ...

随机数种子seed确定时，模型的训练结果将始终保持一致。