python产⽣1-10的随机数_python实验随机种⼦的设置问题：
深度学习中，训练模型时实验参数设置但结果不同（部分论⽂最优结果⽆法复现）
实验参数包括： 数据集，train/test划分，权重初始化等
可能的原因：
Dropout的存在
python、numpy、torch随机种⼦没有固定
数据预处理，数据增强中采⽤了概率。若没有设置固定的随机种⼦，结果可能不同。例如常 ⽤数据增强库albumentations就采⽤了Python的随机产⽣器。
数据集顺序被打乱
随机种⼦设定⽅式：
1. python
import random
random.seed(1) # ⽣成同⼀个随机数；
# 如果不设置则python会根据系统时间随机⽣成⼀个，之后⽣成的随机数不同
2. numpy
import numpy as np
python生成1到100之间随机数np.random.seed(1) # ⽣成同⼀个随机数；
# 如果不设置则python会根据系统时间随机⽣成⼀个，之后⽣成的随机数不同
3. torch
torch.manual_seed(seed)
torch.cuda.manual_seed(seed)
torch.cuda.manual_seed_all(seed)
# 使⽤PyTorch时，如果希望通过设置随机数种⼦，在gpu或cpu上固定每⼀次的训练结果，则需要在程序执⾏的开始处添加以下代码：
def setup_seed(seed):
torch.manual_seed(seed)
torch.cuda.manual_seed_all(seed)
np.random.seed(seed)
random.seed(seed)
torch.backends.cudnn.deterministic = True # 设置随机数种⼦
setup_seed(20)
#随机数种⼦seed确定时，模型的训练结果将始终保持⼀致 # 预处理数据以及训练模型
Ref：
Pytorch随机种⼦设置或固定_号：Custom-Software-CSDN博客_pytorch固定随机种⼦b log.csdn

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。