torch.manual_seed()解析

已于 2022-10-28 21:07:10 修改
阅读量2.4k 收藏 5
点赞数 2
分类专栏： pytorch 文章标签： 人工智能 python 深度学习
于 2022-10-28 21:05:59 首次发布
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_43369776/article/details/127578963
版权
本文详细介绍了torch.manual_seed()的作用，通过多个测试案例展示了设置和不设置seed时，生成随机数的不同行为。设置seed可以确保在复现实验结果时，每次运行的随机数序列一致。不设置seed时，每次运行会得到不同的随机数。理解这一概念对于深度学习模型的可重复性至关重要。
摘要由CSDN通过智能技术生成

torch.manual_seed() 介绍

  1. 概述

    用于设置CPU生成随机数的种子。返回一个torch.Generator对象。此时接下来运行随机函数生成的随机数都不会发生变化，方便论文复现结果。

  2. 语法

    torch.manual_seed(seed)

  3. 参数

    seed (int) – The desired seed. Value must be within the inclusive range [-0x8000_0000_0000_0000, 0xffff_ffff_ffff_ffff]. Otherwise, a RuntimeError is raised. Negative inputs are remapped to positive values with the formula 0xffff_ffff_ffff_ffff + seed.

测试一：不设置seed，生成随机数

代码如下：

import torch

print(torch.rand(1))  # 随机生成[0, 1)的数

每次运行结果都不同：

tensor([0.1580])

tensor([0.9103])
最低0.47元/天 解锁文章
CodeWanted
关注
专栏目录
torch.manual_seed(int seed)作用
qq_34400242的博客
01-07 442
torch.manual_seed(int seed)：为CPU设置种子用于生成相同随机数，根据参数seed值来判断哪些随机数相同。 torch.manual_seed(2) print(torch.rand(2)) torch.manual_seed(1) print(torch.rand(2)) torch.manual_seed(2) print(torch.rand(2)) torc...
【Pytorch】torch.manual_seed()、torch.cuda.manual_seed() 解释
weixin_48697962的博客
07-28 2983
【Pytorch】torch.manual_seed()、torch.cuda.manual_seed() 解释
Pytorch基础：设置随机种子
最新发布
前进，才知道自己的渺小
10-13 1047
有时候，如果需要代码在多个运行中具有可重复性，可以通过以下方式来设置随机种子：
torch.manual_seed( )
weixin_36670529的博客
03-21 1155
在神经网络中，参数默认是进行随机初始化的。如果不设置的话每次训练时的初始化都是随机的，导致结果不确定。如果设置初始化，则每次初始化都是固定的。 if args.seed is not None: 　　random.seed(args.seed) # 　　torch.manual_seed(args.seed) #为CPU设置种子用于生成随机数，以使得结果是确定的 　　 torch.cuda.manual_seed(args.seed) #为当前GPU设置随机种子； 　　 cudnn.determinis
pytorch 随机数种子
qq_34009929的博客
11-24 6745
torch.manual_seed(seed)– 官方文档说明：设置 (CPU) 生成随机数的种子，并返回一个torch.Generator对象。 设置种子的用意是一旦固定种子，后面依次生成的随机数其实都是固定的。 通过代码说明一下: import torch random_seed = 123 torch.manual_seed(random_seed) print(torch.rand(1)) # 随机生成[0, 1)的数 print(torch.rand(1)) """ Out: ten.
【PyTorch】torch.manual_seed() 详解
weixin_44211968的博客
03-27 4万+
本文详细介绍了 torch.manual_seed(seed) 及其用法
torch.manual_seed()
野生蘑菇菌的博客
04-23 366
torch.manual_seed()
解析：np.random.seed(1) torch.manual_seed(1) torch.cuda.manual_seed_all(1) torch.backends.cudnn.deterministic = True
11-02
其中，np.random.seed(1)是设置numpy库的随机数种子，torch.manual_seed(1)是设置PyTorch的CPU随机数种子，torch.cuda.manual_seed_all(1)是设置PyTorch的GPU随机数种子，torch.backends.cudnn.deterministic = True...
def main(): args = parser.parse_args() if args.seed is not None: random.seed(args.seed) np.random.seed(args.seed) torch.manual_seed(args.seed) cudnn.deterministic = True main_worker(args)
02-14
这是一段 Python 代码，它定义...如果参数 "args.seed" 不为空，则通过设置相关随机数生成器（random、numpy.random 和 torch）的种子来确保生成的随机数不受外部因素的影响。最后，它调用 "main_worker(args)" 函数。
if __name__ == "__main__": args = parse_args() print("A list all args: \n======================") pprint(vars(args)) print() #设置 CPU 生成随机数的种子 ，方便下次复现实验结果。 torch.manual_seed(args.seed) np.random.seed(args.seed) #路径拼接文件路径，可以传入多个路径 PATH = os.path.join("resources", args.data) EMBEDDING_PATH = "resources/" static_feat = ["sex", "age", "pur_power"] dynamic_feat = ["category", "shop", "brand"] device = torch.device("cuda" if torch.cuda.is_available() else "cpu") n_epochs = args.n_epochs batch_size = args.batch_size lr = args.lr item_embed_size = args.embed_size feat_embed_size = args.embed_size hidden_size = (256, 128) #CosineEmbeddingLoss余弦相似度损失函数，用于判断输入的两个向量是否相似 #BCEWithLogitsLoss就是把Sigmoid-BCELoss合成一步,计算交叉损失熵 criterion = ( nn.CosineEmbeddingLoss() if args.loss == "cosine" else nn.BCEWithLogitsLoss() ) #lower将字符串中的所有大写字母转换为小写字母 criterion_type = ( "cosine" if "cosine" in criterion.__class__.__name__.lower() else "bce" ) neg_label = -1. if criterion_type == "cosine" else 0. neg_item = args.neg_item columns = ["user", "item", "label", "time", "sex", "age", "pur_power", "category", "shop", "brand"] ( n_users, n_items, train_user_consumed, eval_user_consumed, train_data, eval_data, user_map, item_map, feat_map#feature是特征比如数据集里 age, brand 之类的 ) = process_feat_data( PATH, columns, test_size=0.2, time_col="time", static_feat=static_feat, dynamic_feat=dynamic_feat ) print(f"n_users: {n_users}, n_items: {n_items}, " f"train_shape: {train_data.shape}, eval_shape: {eval_data.shape}") train_user, train_item, train_label = sample_items_random( train_data, n_items, train_user_consumed, neg_label, neg_item ) eval_user, eval_item, eval_label = sample_items_random( eval_d
04-20
这个代码段的作用是： 1. 检查当前运行的代码...2. 如果是主程序，则调用 parse_args() 函数解析命令行参数，并将结果保存在 args 变量中； 3. 打印所有解析后的参数列表，并用 pprint() 函数以易于阅读的格式输出。
torch之distributed training(分布式训练)
Nicola.Zhang
07-10 1万+
对于分布式训练的理解 分布式训练是多线程多节点训练，但是若是模型过大，导致单一图像已经超出单个GPU显存大小，则和单机多卡中的数据并行效果一致，都会导致out of memary问题； 模型并行其运行速率太慢，相当于是每次只能在单一卡上运行，会出现显卡空闲的情况，解析见下： pytorch单机并行训练 torch-1.0分布式训练实例解析，主要流程： parsers中添加相关参数解析...
pytorch生成随机种子命令torch.manual_seed()
qq_49415623的博客
02-21 837
在随机数生成中，种子起到确定性作用。给定相同的种子，每次运行相同的随机数生成算法都会得到相同的随机数序列。这对于实验的可重复性和结果的一致性非常重要。只控制由PyTorch生成的随机数。如果代码依赖于其他库或函数（如NumPy），它们可能具有自己的随机数生成方式，需要单独设置它们的随机种子以确保一致性。这将导致后续的随机操作（如初始化模型权重、数据加载的随机化等）在相同的种子下产生相同的结果。是PyTorch中用于设置随机数种子的函数。作为输入，并将其用作生成随机数的种子。
torch.manual_seed() 随机数种子，为了复现实验结果，当seed一样，可以保证在不同计算机上面运行的结果（生成的随机序列）一样
nyist_yangguang的博客
04-27 2528
1. torch.manual_seed() 作用：在自己电脑上第二次运行程序，用来复现自己程序第一次运行的结果 manual 美:['mænjuəl] 英:['mænjʊəl] n.说明书；指南；使用手册 adj.用手的；手工的；体力的；手动的 网络手动模式 它可以复现实验结果，注意，复现的是自己的电脑上面的结果。也就是说，自己的pc端跑程序，用的rand()或者randn() 函数，生成随机数列，在设计了种子以后，可以在下次运行的...
【PyTorch】快速理解 torch.manual_seed()
weixin_52527544的博客
10-08 1525
【PyTorch】快速理解 torch.manual_seed(),torch.cuda.manual_seed_all(seed)
【pytorch】torch.manual_seed()用法详解
热门推荐
XavierJ的博客
01-04 4万+
描述 设置CPU生成随机数的种子，方便下次复现实验结果。 语法 torch.manual_seed(seed) → torch._C.Generator 参数 seed (int) – CPU生成随机数的种子。取值范围为[-0x8000000000000000, 0xffffffffffffffff]，十进制是[-9223372036854775808, 18446744073709551615]，超出该范围将引发RuntimeError报错。 返回 返回一个torch.Generator对象。 示例
【pytorch】torch.manual_seed()
YJYS_ZHX的博客
02-03 149
torch.manual_seed(args.seed) #为CPU设置种子用于生成随机数，以使得结果是确定的 if args.cuda: torch.cuda.manual_seed(args.seed)#为当前GPU设置随机种子； #如果使用多个GPU，应该使用torch.cuda.manual_seed_all()为所有的GPU设置种子。 上面所说的固定指的是，在每次运行此程序时，程序后面产生的随机数与上次运行程序产生的随机数是相同的。 参考文献：pytorch中的torch.manual_se
【随机数种子】torch.manual_seed()用法
weixin_41564450的博客
05-31 8184
torch.manual_seed()一般和torch.rand()、torch.rand
torch.manual_seed是什么意思
07-15
torch.manual_seed是PyTorch中的一个函数，它用于设置随机数生成器的种子(seed)。随机数生成器在机器学习和深度学习中被广泛使用，用于初始化模型参数、数据集分割、数据增强等任务。 设置随机数种子可以使得每次...
评论
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