Pytorch evaluation每次运行结果不同的解决

在PyTorch中，由于随机数种子的不同，每次运行模型的结果可能会有所不同。这可能会导致我们难以比较不同模型的性能，或者难以重现实验结果。为了解决这个问题，我们可以设置随机数种子，以确保每次运行模型的结果都是相同的。

以下是两种设置随机数种子的方法：

方法1：设置PyTorch的随机数种子

我们可以使用torch.manual_seed()函数设置PyTorch的随机数种子。以下是一个示例代码，展示了如何设置PyTorch的随机数种子：

import torch

# 设置PyTorch的随机数种子
torch.manual_seed(42)

# 创建一个随机张量
x = torch.randn(3, 3)

# 打印随机张量
print(x)

在上面的示例代码中，我们使用torch.manual_seed()函数设置PyTorch的随机数种子为42。然后，我们创建了一个随机张量，并使用print函数打印了随机张量。由于我们设置了随机数种子，因此每次运行程序时，随机张量的值都是相同的。

方法2：设置Python的随机数种子

除了设置PyTorch的随机数种子外，我们还可以设置Python的随机数种子。这可以通过设置random模块的随机数种子来实现。以下是一个示例代码，展示了如何设置Python的随机数种子：

import random
import torch

# 设置Python的随机数种子
random.seed(42)

# 设置PyTorch的随机数种子
torch.manual_seed(42)

# 创建一个随机张量
x = torch.randn(3, 3)

# 打印随机张量
print(x)

在上面的示例代码中，我们首先使用random.seed()函数设置Python的随机数种子为42。然后，我们使用torch.manual_seed()函数设置PyTorch的随机数种子为42。最后，我们创建了一个随机张量，并使用print函数打印了随机张量。由于我们设置了Python和PyTorch的随机数种子，因此每次运行程序时，随机张量的值都是相同的。

需要注意的是，设置随机数种子可能会影响模型的性能，因此我们应该在实验中谨慎使用。此外，如果我们使用了GPU加速，还需要设置torch.backends.cudnn.deterministic和torch.backends.cudnn.benchmark两个参数，以确保每次运行模型的结果都是相同的。