PyTorch 如何设置随机数种子使结果可复现_Python

由于在模型训练的过程中存在大量的随机操作，使得对于同一份代码，重复运行后得到的结果不一致。

因此，为了得到可重复的实验结果，我们需要对随机数生成器设置一个固定的种子。

CUDNN

cudnn中对卷积操作进行了优化，牺牲了精度来换取计算效率。如果需要保证可重复性，可以使用如下设置:

				?

									from torch.backends import cudnn

									cudnn.benchmark = False            # if benchmark=True, deterministic will be False

									cudnn.deterministic = True

不过实际上这个设置对精度影响不大，仅仅是小数点后几位的差别。所以如果不是对精度要求极高，其实不太建议修改，因为会使计算效率降低。

Pytorch

				?

									torch.manual_seed(seed)            # 为CPU设置随机种子

									torch.cuda.manual_seed(seed)       # 为当前GPU设置随机种子

									torch.cuda.manual_seed_all(seed)   # 为所有GPU设置随机种子

Python & Numpy

如果读取数据的过程采用了随机预处理(如RandomCrop、RandomHorizontalFlip等)，那么对python、numpy的随机数生成器也需要设置种子。

				?

									import random

									import numpy as np

									random.seed(seed)

									np.random.seed(seed)

Dataloader

如果dataloader采用了多线程(num_workers > 1), 那么由于读取数据的顺序不同，最终运行结果也会有差异。

也就是说，改变num_workers参数，也会对实验结果产生影响。

目前暂时没有发现解决这个问题的方法，但是只要固定num_workers数目（线程数）不变，基本上也能够重复实验结果。

补充：pytorch 固定随机数种子踩过的坑

1.初步固定

				?

									def setup_seed(seed):

									    torch.manual_seed(seed)

									    torch.cuda.manual_seed_all(seed)

									    torch.cuda.manual_seed(seed)

									    np.random.seed(seed)

									    random.seed(seed)

									    torch.backends.cudnn.deterministic = True

									    torch.backends.cudnn.enabled = False

									    torch.backends.cudnn.benchmark = False

									    #torch.backends.cudnn.benchmark = True #for accelerating the running

									setup_seed(2019)

2.继续添加如下代码：

				?

									tensor_dataset = ImageList(opt.training_list,transform)

									def _init_fn(worker_id): 

									    random.seed(10 + worker_id)

									    np.random.seed(10 + worker_id)

									    torch.manual_seed(10 + worker_id)

									    torch.cuda.manual_seed(10 + worker_id)

									    torch.cuda.manual_seed_all(10 + worker_id)

									dataloader = DataLoader(tensor_dataset,                        

									                    batch_size=opt.batchSize,     

									                    shuffle=True,     

									                    num_workers=opt.workers,

									                    worker_init_fn=_init_fn)

3.在上面的操作之后发现加载的数据多次试验大部分一致了

但是仍然有些数据是不一致的，后来发现是pytorch版本的问题，将原先的0.3.1版本升级到1.1.0版本，问题解决

4.按照上面的操作后虽然解决了问题

但是由于将cudnn.benchmark设置为False，运行速度降低到原来的1/3，所以继续探索，最终解决方案是把第1步变为如下，同时将该部分代码尽可能放在主程序最开始的部分，例如：

				?

									import torch

									import torch.nn as nn

									from torch.nn import init

									import pdb

									import torch.nn.parallel

									import torch.nn.functional as F

									import torch.backends.cudnn as cudnn

									import torch.optim as optim

									import torch.utils.data

									from torch.utils.data import DataLoader, Dataset

									import sys

									gpu_id = "3,2"

									os.environ["CUDA_VISIBLE_DEVICES"] = gpu_id

									print('GPU: ',gpu_id)

									def setup_seed(seed):

									     torch.manual_seed(seed)

									     torch.cuda.manual_seed_all(seed)

									     torch.cuda.manual_seed(seed)

									     np.random.seed(seed)

									     random.seed(seed)

									     cudnn.deterministic = True

									     #cudnn.benchmark = False

									     #cudnn.enabled = False

									setup_seed(2019)