------------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 x 和 y，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 x 和 y 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 x 和 y，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]])
