Pytorch笔记01：随机数种子的设置 VS zero_grad()

Pytorch 笔记01

Pytorch中随机数种子的设置

​ 为了模型结果可复现，常常需要为程序设置随机数种子(seed)，在使用Pytorch进行模型训练时，有以下几个部分可以设置随机种子。

1、cudnn

from torch.backends import cudnn
cudnn.benchmark = False 
cudnn.deterministic = True

2、Pytorch

import torch
seed = 121
torch.manual_seed(seed)   #设置随机数种子
torch.cuda.manual_seed(seed)  #设置当前GPU随机数种子
torch.cuda.manual_seed_all(seed)  #为所有GPU设置随机数种子

3、Python & Numpy

import random
import numpy as np
seed = 121
random.seed(seed)  #为random模块设置seed
np.random.seed(seed)  #为np.random模块设置seed

4、 通用seed设置

import random
import numpy as np
import torch
from torch.backends import cudnn

def set_seed(seed):
	cudnn.benchmark = False 
	cudnn.deterministic = True
	torch.manual_seed(seed)   
	torch.cuda.manual_seed_all(seed)
	random.seed(seed)  
	np.random.seed(seed)

Pytorch中的zero_grad()

​ Pytorch中有optimizer.zero_grad()与model.zero_grad(),实际上，当优化器是如下定义时：

optimizer=optim.Optimizer(net.parameters())

两者的效果是一致的，原因在于Pytorch中zero_grad函数的定义：

def zero_grad(self):
    """Sets gradients of all model parameters to zero."""
    for p in self.parameters():
        if p.grad is not None:
            p.grad.data.zero_()

Reference

简书：PyTorch设置随机数种子使结果可复现

CSDN: optimizer.zero_grad()和net.zero_grad()区别