Pytorch在训练深度神经网络的过程中，有许多随机的操作，如基于numpy库的数组初始化、卷积核的初始化，以及一些学习超参数的选取，为了实验的可复现性，必须将整个训练过程固定住

固定随机种子的目的：

1. 方便其他人复现我们的代码
2. 方便模型验证
3. 方便验证我们的模型是哪些超参数在起决定性效果
4. 方便对比不同模型架构的差异
5. 通常在模型训练后期，调整随机种子能有意想不到的结果

代码结构

# Fix random seed for reproducibility
def same_seeds(seed):
	  torch.manual_seed(seed)
	  if torch.cuda.is_available():
		    torch.cuda.manual_seed(seed)
		    torch.cuda.manual_seed_all(seed)
	  np.random.seed(seed)
	  random.seed(seed)
	  torch.backends.cudnn.benchmark = False
	  torch.backends.cudnn.deterministic = True
same_seeds(0)

解释

• torch.manual_seed(seed)
  援引官方文档Pytorch的manual_seed文档

Sets the seed for generating random numbers. Returns a torch.Generator object.

为CPU中设置种子，设置生成随机数的种子。 返回一个 torch.Generator 对象。

注意这里考虑的是在CPU上面的计算，if条件里面考虑的才是GPU Cuda的计算，是为了**保证代码在没有GPU Cuda的环境下依旧能为运算单元设定随机种子，下面cuda的种子设置是一种更复杂的情况

• torch.cuda.manual_seed(seed)
  为特定GPU设置种子，生成随机数
• torch.cuda.manual_seed_all(seed)
  官方文档torch.cuda.manual_seed_all(seed)`

Sets the seed for generating random numbers on all GPUs. It’s safe to call this function if CUDA is not available; in that case, it is silently ignored.

为 所有GPU设置种子，生成随机数，相比上一句代码，着重考虑了代码环境中有多个GPU并行计算单元的情况

如果没有GPU，执行将会被忽略

• np.random.seed(seed)
  固定Numpy产生的随机数，使得在相同的随机种子所产生随机数是相同的，这句话将会对所有在Numpy库中的随机函数产生作用
• random.seed(seed)
  上面一句主要是对Numpy库设置随机种子，这句话则是设置整个Python基础环境中的随机种子
• torch.backends.cudnn.benchmark = False
  benchmark 设置False，是为了保证不使用选择卷积算法的机制，使用固定的卷积算法
• torch.backends.cudnn.deterministic = True
  为了确定使用相同的算法，保证得到一样的结果

引自知乎“孤勇者"的评论：
即使是固定的卷积算法，由于其实现不同，其随机性可能是不可控制的，
相同的值，同一个算法卷积出来有细微差别，deterministic设置True保证使用确定性的卷积算法，二者配合起来，才能保证卷积操作的一致性

通常最后两句话是连在一起用的，总的意思是让模型使用相同的卷积核（不去通过选择的方法来提升模型的训练速度），牺牲训练速度以换取模型的可复现性

如此一来，将极大提升代码的可复现性，如果有其他进一步限制代码随机性、增强可复现性的命令，欢迎评论区补充，作者也会同步更新，谢谢 😃

写在最后

各位看官，都看到这里了，麻烦动动手指头给博主来个点赞8，您的支持作者最大的创作动力哟！
才疏学浅，若有纰漏，恳请斧正
本文章仅用于各位作为学习交流之用，不作任何商业用途，若涉及版权问题请速与作者联系，望悉知