pytorch中如何设置随机种子

在PyTorch中，设置随机种子可以使得每次运行代码时生成的随机数相同，这对于模型的可重复性和调试非常有用。以下是使用PyTorch设置随机种子的完整攻略，包括两个示例说明。

1. 设置全局随机种子

以下是使用PyTorch设置全局随机种子的步骤：

1. 导入必要的库

python
import torch
import random
import numpy as np

1. 设置随机种子

python
# 设置随机种子
seed = 42
torch.manual_seed(seed)
torch.cuda.manual_seed(seed)
np.random.seed(seed)
random.seed(seed)
torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmark = False

在上述代码中，我们设置了PyTorch、NumPy和Python的随机种子，并且还设置了CUDA的随机种子，以确保在使用GPU时也能够得到相同的结果。此外，我们还将deterministic设置为True，以确保每次运行代码时都使用相同的算法，而将benchmark设置为False，以避免由于不同的硬件和软件配置而导致的性能差异。

1. 运行代码

python
# 运行代码
# ...

运行上述代码时，每次生成的随机数都将相同。

2. 设置模型随机种子

以下是使用PyTorch设置模型随机种子的步骤：

1. 导入必要的库

python
import torch
import torch.nn as nn
import torch.nn.functional as F
import random
import numpy as np

1. 定义模型

```python
# 定义模型
class Net(nn.Module):
def init(self):
super(Net, self).init()
self.conv1 = nn.Conv2d(1, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 4 * 4, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)

   def forward(self, x):
       x = self.pool(F.relu(self.conv1(x)))
       x = self.pool(F.relu(self.conv2(x)))
       x = x.view(-1, 16 * 4 * 4)
       x = F.relu(self.fc1(x))
       x = F.relu(self.fc2(x))
       x = self.fc3(x)
       return x

net = Net()
```

1. 设置随机种子

```python
# 设置随机种子
seed = 42
torch.manual_seed(seed)
torch.cuda.manual_seed(seed)
np.random.seed(seed)
random.seed(seed)
torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmark = False

# 设置模型随机种子
for param in net.parameters():
param.requires_grad = False
torch.manual_seed(seed)
torch.cuda.manual_seed(seed)
np.random.seed(seed)
random.seed(seed)
```

在上述代码中，我们首先设置了全局随机种子，然后对于每个模型参数，我们都设置了相同的随机种子，以确保每次运行代码时生成的随机数相同。

1. 运行代码

python
# 运行代码
# ...

运行上述代码时，每次生成的随机数都将相同，并且模型的可重复性得到了保证。

以上就是使用PyTorch设置随机种子的完整攻略，包括两个示例说明。