torch中的随机数种子

简介: 如何在torch生成随机数时,设置随机种子,要求每次调用生成的随机数都一样

------------如何在torch生成随机数时,设置随机种子,要求每次调用生成的随机数都一样


在 PyTorch 中,可以使用 torch.manual_seed(seed) 函数设置随机种子,以确保每次运行代码时生成的随机数都一样。

以下是一个示例代码,展示了如何使用 torch.manual_seed() 函数设置随机种子:


import torch
# 设置随机种子为固定值,这里设为0
torch.manual_seed(0)
# 生成一个随机的张量
x = torch.randn(3, 3)
# 打印生成的随机张量
print(x)

在此示例中,我们使用 torch.randn() 函数生成一个 3x3 的随机张量,同时使用 torch.manual_seed() 函数将随机种子设置为 0。由于随机种子已经固定,因此每次运行代码时生成的随机张量都是一样的。

需要注意的是,在设置了随机种子之后,如果代码中还有其他随机操作,比如使用 torch.rand() 函数生成随机张量,则这些随机操作的结果也会受到随机种子的影响。因此,如果需要在代码中使用多个随机操作,并且需要确保它们的结果每次都一样,就需要在每个随机操作之前都调用 torch.manual_seed() 函数设置相同的随机种子。


-----------------如何再取消随机种子?


要取消 PyTorch 中的随机种子,可以使用 torch.seed() 函数,它可以将随机种子设置为当前时间戳,从而实现取消之前设置的随机种子。

以下是一个示例代码,展示了如何使用 torch.seed() 函数取消之前设置的随机种子:


import torch
# 设置随机种子为固定值,这里设为0
torch.manual_seed(0)
# 生成一个随机的张量
x = torch.randn(3, 3)
# 打印生成的随机张量
print(x)
# 取消随机种子
torch.seed()
# 再次生成一个随机的张量
y = torch.randn(3, 3)
# 打印生成的随机张量
print(y)

在此示例中,我们先使用 torch.manual_seed() 函数将随机种子设置为 0,然后生成一个随机张量并打印它。接着使用 torch.seed() 函数取消之前设置的随机种子,并生成另一个随机张量并打印它。由于我们已经取消了随机种子,因此两次生成的随机张量应该是不同的。

需要注意的是,如果你在代码中多次设置了随机种子,而每次设置的随机种子不同,那么每次调用 torch.seed() 函数取消随机种子时,你可能会得到不同的结果。因此,如果需要取消之前设置的随机种子,应该确保在取消之前只设置了一次随机种子。


---------------上面的随机数种子设置后,结果不一样


import torch 
torch.manual_seed(0)
 x = torch.randn(3, 3) 
y = torch.randn(3, 3) 
print(x,y)

根据你提供的代码,由于使用了两次 torch.randn(3, 3) 函数生成两个不同的随机张量 xy,因此它们的值是不同的,即使使用了相同的随机种子。因此,在此代码中,随机种子的设置不会影响随机张量 xy 的结果。

如果需要使用相同的随机种子生成相同的随机张量,需要将 torch.randn() 函数的调用合并在一起,如下所示:


import torch
# 设置随机种子为固定值,这里设为0
torch.manual_seed(0)
# 生成两个随机的张量
x = torch.randn(3, 3)
y = torch.randn(3, 3)
# 打印生成的随机张量
print(x)
print(y)
# 再次使用相同的随机种子生成两个随机的张量
torch.manual_seed(0)
x = torch.randn(3, 3)
y = torch.randn(3, 3)
# 打印生成的随机张量
print(x)
print(y)

输出

tensor([[ 1.5410, -0.2934, -2.1788],
        [ 0.5684, -1.0845, -1.3986],
        [ 0.4033,  0.8380, -0.7193]])
tensor([[-0.4033, -0.5966,  0.1820],
        [-0.8567,  1.1006, -1.0712],
        [ 0.1227, -0.5663,  0.3731]])
tensor([[ 1.5410, -0.2934, -2.1788],
        [ 0.5684, -1.0845, -1.3986],
        [ 0.4033,  0.8380, -0.7193]])
tensor([[-0.4033, -0.5966,  0.1820],
        [-0.8567,  1.1006, -1.0712],
        [ 0.1227, -0.5663,  0.3731]])


在此示例中,我们先使用 torch.manual_seed() 函数将随机种子设置为 0,然后使用 torch.randn() 函数生成两个随机张量 xy,并打印它们。接着再次使用相同的随机种子生成两个随机张量,并打印它们。由于两次使用了相同的随机种子,因此两次生成的随机张量应该是一样的。


-------------或者


import torch
# 设置随机种子为固定值,这里设为0
torch.manual_seed(0)
# 生成两个随机的张量
x = torch.randn(3, 3)
# 打印生成的随机张量
print(x)
# 再次使用相同的随机种子生成两个随机的张量
torch.manual_seed(0)
y = torch.randn(3, 3)
# 打印生成的随机张量
print(y)

输出

tensor([[ 1.5410, -0.2934, -2.1788],
        [ 0.5684, -1.0845, -1.3986],
        [ 0.4033,  0.8380, -0.7193]])
tensor([[ 1.5410, -0.2934, -2.1788],
        [ 0.5684, -1.0845, -1.3986],
        [ 0.4033,  0.8380, -0.7193]])
相关文章
|
C#
使用C#实现随机数生成器
在许多编程任务中,我们经常需要生成随机数。C#编程语言提供了用于生成伪随机数的内置类库。本篇博客将介绍如何使用C#来实现一个简单的随机数生成器。
259 0
Random随机数的使用
Random随机数的使用
123 0
|
8天前
|
机器学习/深度学习 算法 安全
随机性、熵与随机数生成器:解析伪随机数生成器(PRNG)和真随机数生成器(TRNG)
随机性在密码学、仿真和机器学习等领域中至关重要,本文探讨了随机性、熵的概念以及伪随机数生成器(PRNG)和真随机数生成器(TRNG)的原理和应用。PRNG通过算法生成看似随机的序列,适用于高效需求;TRNG利用物理过程生成真正随机数,适用于高安全需求。文章还讨论了两者的协同应用及其面临的挑战。
41 5
随机性、熵与随机数生成器:解析伪随机数生成器(PRNG)和真随机数生成器(TRNG)
|
4月前
|
安全 算法 Java
使用Random.next生成随机数
使用Random.next生成随机数
|
6月前
|
存储 算法 程序员
【C/C++ 随机数】深入探索C++随机数生成,random 模块的应用
【C/C++ 随机数】深入探索C++随机数生成,random 模块的应用
275 0
|
C++
【C++操作手册】C++生成指定范围内随机数rand(随机数种子)
【C++操作手册】C++生成指定范围内随机数rand(随机数种子)
696 0
|
数据挖掘 Python
Numpy常用random随机函数
Numpy常用random随机函数
100 0
Numpy常用random随机函数
Random生成伪随机数
Random生成伪随机数
80 0
|
Python
Python中的np.random.seed()随机数种子:使得随机数据可预测
Python中的np.random.seed()随机数种子:使得随机数据可预测
581 0