pytorch 随机种子的使用

pytorch随机种子

在使用pytorch框架搭建模型的时候，模型中的参数都是进行初始化的，且每次初始化的结果不同，这就导致每次的训练模型不一样，要想在程序不变的情况下，使得每次的输出结果一致，那就要设定随机种子。
先来了解一下随机种子：
拿numpy举例：

import numpy as np
n=0
while(n<5):
    np.random.seed(2)
    n+=1
    print(np.random.random())
print('\n')
n=0
np.random.seed(2)
while(n<5):
    n+=1
    print(np.random.random())

输出的结果为：

0.43599490214200376
0.43599490214200376
0.43599490214200376
0.43599490214200376
0.43599490214200376

0.43599490214200376
0.025926231827891333
0.5496624778787091
0.4353223926182769
0.42036780208748903

当我们设定一个随机种子时，那么关于随机数的选取就确定了。但是我们可以发现，随机数只会确定最近的一个random的选取，那么后面的随机数是怎么确定的呢？
其实，当我们选取了一个随机种子的时候，在确定了接下来的random之后，还会生成下一个种子，这个种子的形成，和你当前选取的种子有关。所以只要确定一个选取的种子，那么接下来的随机数也会被固定。所以我们没有必要对每个随机数的选取，都人为给定一个种子，只需要设定一次就好。

pytorch设定随机种子

之前使用随机种子的设定使用cpu或gpu时需要不同的代码进行设定，现在已经统一为：

torch.manual_seed(10)

种子的数字10可以自己给定。
这样，当我们在训练模型的时候，在不该变程序的基础上，每次运行的结果就会一致了。