tf.random.set_seed用法

最新推荐文章于 2024-05-07 15:22:31 发布
最新推荐文章于 2024-05-07 15:22:31 发布
阅读量2.2w 收藏 102
点赞数 29
分类专栏： TensorFlow Python 文章标签： tensorflow python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36201400/article/details/108512368
版权

tf.random.set_seed:设置全局随机种子。

上面写法是tensorflow2.0的写法，如果是tensorflow1.0则为：set_random_seed（）

#tensorflow2.0
tf.random.set_seed(
    seed
)


#tensorflow1.0
tf.set_random_seed(
    seed
)

依赖随机种子的操作实上是从两个种子派生的：全局种子和操作级别种子。这个设置了全局种子。

它与操作级种子的交互如下：

  1. 如果既未设置全局种子也未设置操作种子：此操作使用随机选择的种子。
  2. 如果设置了图级别的种子（graph-level seed），但未设置操作种子（operation seed）：系统确定性地选择一个操作种子和图级别的种子，以便获得唯一的随机序列。在tensorflow和用户代码的相同版本中，此序列是确定性的。但是，在不同版本中，此序列可能会更改。如果代码依赖特定的种子来工作，则明确指定图级别和操作级别种子。
  3. 如果设置了操作种子，但未设置全局种子：使用默认的全局种子和指定的操作种子来确定随机序列。
  4. 如果同时设置了全局种子和操作种子：将两个种子一起使用以确定随机序列。

为了说明用户可见的效果，请考虑以下示例：

如果既未设置全局种子也未设置操作种子，则每次调用随机操作和每次重新运行程序都会得到不同的结果：

import tensorflow as tf

a = tf.random.uniform([1])

print(a)  # generates 'A1'
print(a)  # generates 'A2'

with tf.Session() as sess:
    print(a)  # generates 'A1'
    print(a)  # generates 'A2'
    print(sess.run(a))
    print(sess.run(a))


# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# [0.5243385]
# [0.07725751]

（现在关闭程序，然后再次运行）

import tensorflow as tf

a = tf.random.uniform([1])

print(a)  # generates 'A1'
print(a)  # generates 'A2'

with tf.Session() as sess:
    print(a)  # generates 'A1'
    print(a)  # generates 'A2'
    print(sess.run(a))
    print(sess.run(a))


# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# [0.988395]
# [0.30105543]

如果设置了全局种子，但未设置操作种子，则每次对随机操作的调用都会得到不同的结果，但是对于程序的每次重新运行，其结果都是相同的：

import tensorflow as tf

tf.set_random_seed(1234)  # 全局种子
a = tf.random.uniform([1])

print(a)  # generates 'A1'
print(a)  # generates 'A2'

with tf.Session() as sess:
    print(a)  # generates 'A1'
    print(a)  # generates 'A2'
    print(sess.run(a))
    print(sess.run(a))

# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# [0.96046877]
# [0.8362156]

（现在关闭程序，然后再次运行）

import tensorflow as tf

tf.set_random_seed(1234)  # 全局种子
a = tf.random.uniform([1])

print(a)  # generates 'A1'
print(a)  # generates 'A2'

with tf.Session() as sess:
    print(a)  # generates 'A1'
    print(a)  # generates 'A2'
    print(sess.run(a))
    print(sess.run(a))
    print(sess.run(a))

# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# [0.96046877]
# [0.8362156]

之所以在上述tf.random.uniform 的第二次调用中获得“ A2”而不是“ A1”，是因为第二次调用使用了不同的操作种子。

请注意，tf.function在这种情况下，其行为类似于重新运行程序。当设置了全局种子但未设置操作种子时，对于每个tf.function，随机数字序列相同。例如：

tf.random.set_seed(1234)

@tf.function
def f():
  a = tf.random.uniform([1])
  b = tf.random.uniform([1])
  return a, b

@tf.function
def g():
  a = tf.random.uniform([1])
  b = tf.random.uniform([1])
  return a, b

print(f())  # prints '(A1, A2)'
print(g())  # prints '(A1, A2)'

如果设置了操作种子，则每次对随机操作的调用都会得到不同的结果，但是对于程序的每次重新运行却得到相同的序列：

print(tf.random.uniform([1], seed=1))  # generates 'A1'
print(tf.random.uniform([1], seed=1))  # generates 'A2'

（现在关闭程序，然后再次运行）

print(tf.random.uniform([1], seed=1))  # generates 'A1'
print(tf.random.uniform([1], seed=1))  # generates 'A2'
我们在上面tf.random.uniform 的第二次调用中得到'A2'而不是'A1'的原因是因为TensorFlow使用相同的tf.random.uniform内核（即内部表示形式）对其所有的调用使用相同的参数，并且内核维护一个内部计数器，即每次执行时递增，产生不同的结果。
 
调用tf.random.set_seed将重置所有此类计数器： 
tf.random.set_seed(1234)
print(tf.random.uniform([1], seed=1))  # generates 'A1'
print(tf.random.uniform([1], seed=1))  # generates 'A2'
tf.random.set_seed(1234)
print(tf.random.uniform([1], seed=1))  # generates 'A1'
print(tf.random.uniform([1], seed=1))  # generates 'A2'

当多个相同的随机操作封装在tf.function中时，它们的行为会发生变化，因为这些操作不再共享同一计数器。例如：

@tf.function
def foo():
  a = tf.random.uniform([1], seed=1)
  b = tf.random.uniform([1], seed=1)
  return a, b
print(foo())  # prints '(A1, A1)'         这里我认为应该是prints '(A1, A2)'
print(foo())  # prints '(A2, A2)'         这里我认为应该是prints '(A1, A2)'，可能官方写错了

@tf.function
def bar():
  a = tf.random.uniform([1])
  b = tf.random.uniform([1])
  return a, b
print(bar())  # prints '(A1, A2)'
print(bar())  # prints '(A3, A4)'

第二次调用foo返回'（A2，A2）'而不是'（A1，A1）'，因为 tf.random.uniform维护一个内部计数器。如果您想foo每次都返回'（A1，A1）'，请使用无状态随机操作，例如tf.random.stateless_uniform。另请参阅tf.random.experimental.Generator使用外部变量来管理其状态的一组新的有状态随机操作。

Args

seed整数。

 

tf.compat.v1.set_random_seed（tensorflow1.x）用法：

要跨会话生成不同的序列，请既不设置图级种子，也不设置操作级种子：

import tensorflow as tf

a = tf.random.uniform([1])
b = tf.random.normal([1])

print("Session 1")
with tf.compat.v1.Session() as sess1:
  print(sess1.run(a))  # generates 'A1'
  print(sess1.run(a))  # generates 'A2'
  print(sess1.run(b))  # generates 'B1'
  print(sess1.run(b))  # generates 'B2'

print("Session 2")
with tf.compat.v1.Session() as sess2:
  print(sess2.run(a))  # generates 'A3'
  print(sess2.run(a))  # generates 'A4'
  print(sess2.run(b))  # generates 'B3'
  print(sess2.run(b))  # generates 'B4'

# 输出结果：会输出不同的值
# Session 1
# [0.8852068]
# [0.8638005]
# [1.2372621]
# [0.36395615]
# Session 2
# [0.49982667]
# [0.95483243]
# [0.03915504]
# [-0.04923742]

要为跨会话的操作生成相同的可重复序列，请为操作设置种子：

import tensorflow as tf

a = tf.random.uniform([1], seed=1)
b = tf.random.normal([1])

# 重复使用同一图运行此块将为“ a”生成相同的值序列，但为“ b”生成不同的值序列。
print("Session 1")
with tf.compat.v1.Session() as sess1:
    print(sess1.run(a))  # generates 'A1'
    print(sess1.run(a))  # generates 'A2'
    print(sess1.run(b))  # generates 'B1'
    print(sess1.run(b))  # generates 'B2'

print("Session 2")
with tf.compat.v1.Session() as sess2:
    print(sess2.run(a))  # generates 'A1'
    print(sess2.run(a))  # generates 'A2'
    print(sess2.run(b))  # generates 'B3'
    print(sess2.run(b))  # generates 'B4'

# Session 1
# [0.2390374]
# [0.22267115]
# [0.9864384]
# [-0.00564655]
# Session 2
# [0.2390374]
# [0.22267115]
# [-1.6779417]
# [0.20480973]

为了使所有操作生成的随机序列在会话之间可重复，请设置一个图级种子：

import tensorflow as tf

tf.compat.v1.random.set_random_seed(1234)
a = tf.random.uniform([1])
b = tf.random.normal([1])

# Repeatedly running this block with the same graph will generate the same
# sequences of 'a' and 'b'.
print("Session 1")
with tf.compat.v1.Session() as sess1:
    print(sess1.run(a))  # generates 'A1'
    print(sess1.run(a))  # generates 'A2'
    print(sess1.run(b))  # generates 'B1'
    print(sess1.run(b))  # generates 'B2'

print("Session 2")
with tf.compat.v1.Session() as sess2:
    print(sess2.run(a))  # generates 'A1'
    print(sess2.run(a))  # generates 'A2'
    print(sess2.run(b))  # generates 'B1'
    print(sess2.run(b))  # generates 'B2'

# Session 1
# [0.96046877]
# [0.8362156]
# [0.49875996]
# [0.54880583]
# Session 2
# [0.96046877]
# [0.8362156]
# [0.49875996]
# [0.54880583]

 

Tensorflow中关于随机数生成种子tf.set_random_seed()
qq_31878983的博客
03-09 2万+
Tensorflow中的随机数生成种子是在数据流图资源上运作的。每一个数据流图中，我们可以执行针对随机数生成种子应用不同的操作（operation）。事实上，随机数生成种子作为random系列函数的参数之一，可在相应的参数列表进行设置，这就是op-level的操作。与之对应的是graph-leveltf.set_random_seed()的操作tf.set_random_seed()...
Random的setSeed方法
Don_11的博客
05-11 1891
@Random的setSeed方法OC Random的setSeed方法 近来的demo中用到了random类。其中有个setSeed。 研究了下。主要作用是 设置随机种子，以便生成的随机数更加无法预测 随机数中用到。每次的Seed不同，random就不同了。 在进行随机时，随机算法的起源数字称为种子数(seed)，在种子数的基础上进行一定的变换，从而产生需要的随机数字。 要了解Seed作用，得先了解随机数原理。 一般计算机的随机数都是伪随机数， 以一个真随机数（种子）作为初始条件， 然后用一定的算法不停
Tensorflow函数——tf.set_random_seed(seed)
热门推荐
eml_jw的博客
05-16 3万+
设置图级随机seed。依赖于随机seed的操作实际上从两个seed中获取：图级和操作级seed。 这将设置图级别的seed。其与操作级seed的相互作用如下：1.如果没有设置图形级别和操作seed，则使用随机seed进行操作。 2.如果设置了图级seed，但操作seed没有设置：系统确定性地选择与图级seed一起的操作seed，以便获得唯一的随机序列。 3.如果没有设置图级seed，但是设置了操
转载！Tensorflow函数——tf.set_random_seed(seed)
加勒比海鲜王
10-31 1427
http://www.cnblogs.com/antflow/p/7234144.html保存给自己看的
tensorflow API：tf.set_random_seed
NockinOnHeavensDoor的博客
12-12 617
set_random_seed(seed) Sets the graph-level random seed.Operations that rely on a random seed actually derive it from two seeds: the graph-level and operation-level seeds. This sets the graph-level
随机产生函数种子seed、numpy.random.seed()、tf.set_random_seed()、tf.random_uniform()、tf.random_normal()学习
qq_38024084的博客
12-10 3069
随机产生函数种子seed、numpy.random.seed()、tf.set_random_seed()、tf.random_uniform()、tf.random_normal()学习 神经网络代码中，随机产生函数几乎都会出现在最开头的位置，足以说明其重要性。 我们得保证，每次代码产生的随机数是相同的，要不然每次运行出的数据都是不同的，不利于我们的研究分析 1.种子是什么 了解种子是什...
tf.random.set_seed无法复现
12-02
在使用TensorFlow中的tf.random.set_seed函数时，可能遇到无法复现的情况。这是因为TensorFlow中的随机数生成器依赖于与计算图相关的操作。即使设置了随机数种子，但如果计算图的结构或操作的顺序发生了变化，随机数...
tensorflow API：tf.set_random_seed同一随机种子不改变的设置
NockinOnHeavensDoor的博客
06-10 6134
会话级种子 设置随机函数的seed参数，对应的变量可以跨session生成相同的随机数： 例子 tf.reset_default_graph() a = tf.random_uniform([1], seed=1) b = tf.random_normal([1]) # Repeatedly running this block with the same graph will gen...
Tensorflow随机数生成种子tf.set_random_seed()
lutanmuxianx2597的博客
03-09 6892
Tensorflow中的随机数生成种子是在数据流图资源上运作的。每一个数据流图中，我们可以执行针对随机数生成种子应用不同的操作（operation）。事实上，随机数生成种子作为random系列函数的参数之一，可在相应的参数列表进行设置，这就是op-level的操作。与之对应的是graph-leveltf.set_random_seed()的操作tf.set_random_seed()，它管理着同一...
tf.random.set_seed(1234) AttributeError: module 'tensorflow' has no attribute 'random'
11-15
因此，如果你使用的是TensorFlow 2.0及以上版本，应该使用`tf.random.set_seed()`来设置随机种子。如果你仍然遇到了`AttributeError: module 'tensorflow' has no attribute 'random'`的问题，可能是因为你的...
random tensor-随机生成种子操作(tf.set_random_seed(interger))
aozhougou4978的博客
09-16 672
random seed操作其实分为两种：graph-level（图级）和op-level（操作级），随机数生成种子是在数据流图资源上运作的，接下来让我具体介绍它们。 第一种情况：要在Session中生成不同的序列，请既不设置图级别也不设置op级别种子： a = tf.random_uniform([1]) b = tf.random_normal([1]) print( "S...
tensorflow中的Sequential和random.set_seed
weixin_52486467的博客
08-10 650
sequential randon.ser_seed
java 随机数种子_Java Random.setseed()设置随机数种子
weixin_30798713的博客
02-12 2128
首页>基础教程>常用类>常用 Random类Java Random.setseed()设置随机数种子java中Random是伪随机，有时候随机数会相同，如果想让生成的随机数更加无法预测，可以用Random.setseed()设置随机数种子，使随机数更加随机。定义void setSeed(long seed) //使用单个long种子设置此随机数生成器的种子。这个...
tensorflow/tf.set_random_seed()
szj_huhu的博客
07-08 6380
tensorflow中设置随机种子，可分为两类，图级seed和操作级seed, 情况1：当没有设置图级seed和操作级seed时，生成的随机数是随机的 情况2：当设置操作级seed时，生成的随机数是同一组随机数，没有设置操作级seed的操作，生成的随机数是随机的 情况3：当设置图级seed, 将会生成同一组随机数，如果设置操作级seed又和情况2相同 ```python a = tf.r
Tensorflow学习笔记——tf.set_random_seed函数
Vic_Hao的博客
03-17 3001
设置图级随机seed 依赖于随机seed的操作实际上从两个seed中获取：图级和操作级seed。这将设置图级别的seed 其与操作级seed的相互作用如下： 如果没有设置图级和操作级seed，则使用随机seed进行操作。 如果设置了图级seed，但操作级seed没有设置：系统确定性的选择与图级seed一起的操作seed，以便获得唯一的随机序列。 如果没有设置图级seed，但是设置了操作seed，...
tf.random
weixin_36670529的博客
09-04 1700
一、概述 tf的公共API。随机名称空间。 1、模块 experimental 模块:用于tf.random的公共API。实验名称空间。 2、函数 all_candidate_sampler(...): 生成所有类的集合。 categorical(...): 从分类分布中抽取样本。 fixed_unigram_candidate_sampler(...): 使用提供的(固定的)基本分布...
Tensorflow应用--tf.set_random_seed 的用法
Dandelion_2的博客
03-21 2521
会话级种子：seed 当在代码中使用了随机数，但是希望代码在不同时间或者不同的机器上运行能够得到相同的随机数，以至于能够得到相同的结果，那么久需要到设置随机函数的seed 参数，对应的变量可以跨session生成 相同的随机数： 例子： tf.reset_default_graph()#函数用于清除默认图形堆栈并重置全局默认图形 a= tf.random_normal([1],mean=0, st...
set_random_seed(seed, deterministic=args.deterministic)
最新发布
qq_34425255的博客
05-07 280
，那么函数将使用默认的随机数生成设置，生成的随机数序列可能会因为不同的运行环境或参数而有所不同。是一个用于设置随机种子并根据确定性选项来确定随机数生成方式的函数调用。这个函数的目的是设置随机种子，并且根据。应用于随机数生成器来设置随机种子。可以理解为一个函数调用，其中。的值来确定是否使用确定性选项。是传递给函数的参数，而。具体来说，假设有一个名为。
random.seed() numpy.random.seed() tf.set_random_seed()作用范围、区别
独酌浅醉的博客
07-22 2813
最近在做图片的深度学习时，在程序中遇到了random.seed()、numpy.random.seed()、tf.set_random_seed()三种随机种子。在深度学习中，先确定好随机种子，以后每次随机的结果相同。在每次执行代码时，使每次切分后的训练集、验证集输入结果相同，便于验证学习参数的有效性和查找问题。 但是他们有什么异同？带着这些一连串的疑问，开始了实验。 以上三种随机种子分属于不同的Python模组，看似“长的”差不多、“效果”也差不多。关于他们三的用途，很多博主分开讲的很清楚，但是把他们
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值