numpy.random.seed

numpy.random是产生随机数用的，但用了seed()后，即指定了某个随机序列，seed(int)，int指定了序列的起始数。

作为深度学习小白，在我的深度学习训练过程中，会出现的一个现象是相同的程序在每次运动时会出现不同的效果，训练时间也会不同，就是因为在训练过程中有随机值导致。

总结了以下原因：

1、一些参数如网络权重的初始化参数的随机性，导致初值不同，会影响训练速度

2、最优化也可能具体随机性，比较随机优化

3、程序运行一次的训练次数不够

        首先，想到的要解决的是否是训练次数不够？提高足够高的训练次数，是否即可让训练结果唯一确定

        其次，是固定随机数，即每次程序运动时采用相同的随机数序列，numpy和tensorflow各有其随机数算法，所以尝试通过设置numpy随机数生成器的seed以及tensorflow中的seed来实现

NumPy中：

from numpy.random import seed

seed(1) #数是多少并不重要

因为是设置随机数生成器的seed,所以代码应放在程序最前面，效果最好，以防止seed之前用到随机数。

Tensorflow中：

from tensorflow import set_random_seed

set_random_seed(2) #同样，数是几并不重要

代码也应该放在整个程序文件前面

所以在程序文件最前面加入这四行代码