在利用 Python 编码和 PyTorch 深度学习框架训练神经网络和实验评估时，如何控制所有可能的随机性？

🍉 CSDN 叶庭云：https://yetingyun.blog.csdn.net/

为什么要固定随机性？在深度学习中，固定随机性至关重要，原因主要有三点：

确保实验的可重现性：这样每次运行代码时都能得到相同的结果，便于验证和复现实验结果。
简化调试过程：当结果可重现时，更容易追踪问题源头，找出并修复错误。
实现公平比较：在评估不同模型或方法时，消除随机性带来的偏差，确保比较结果准确可靠。

Python 中的随机性来源。在 Python 中，主要的随机性来源包括：

random 模块
numpy 库
操作系统级别的随机性（如 /dev/urandom）。在类 Unix 操作系统中，/dev/random 和 /dev/urandom 是两个特殊的文件，它们被用作密码学安全的伪随机数生成器（CSPRNGs）。

PyTorch 中的随机性来源。PyTorch 中的随机性主要源自三个方面：

torch.manual_seed() 函数的设置。
CUDA 操作，特别是当使用 GPU 进行加速时。
数据加载与数据增强过程中的随机性处理。

现在，让我们详细讲解如何固定这些随机性：

固定 Python 的随机性：

python 复制代码

import random
import numpy as np

# 设置 Python 的 random 模块的种子
random.seed(42)

# 设置 numpy 的随机种子
np.random.seed(42)

固定 PyTorch 的随机性：

python 复制代码

import torch

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

# 如果使用 CUDA（GPU），还需要设置 CUDA 的随机种子
if torch.cuda.is_available():
    torch.cuda.manual_seed(42)
    torch.cuda.manual_seed_all(42)  # 如果使用多 GPUs

# 设置 cuDNN
torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmark = False

固定数据加载的随机性。如果使用 PyTorch 的 DataLoader，需要设置其 worker 的随机种子：

python 复制代码

def seed_worker(worker_id):
    worker_seed = torch.initial_seed() % 2**32
    np.random.seed(worker_seed)
    random.seed(worker_seed)

g = torch.Generator()
g.manual_seed(42)

dataloader = DataLoader(
    dataset,
    batch_size=32,
    num_workers=4,
    worker_init_fn=seed_worker,
    generator=g
)

固定数据增强的随机性。如果使用 torchvision 进行数据增强，可以这样设置：

python 复制代码

from torchvision import transforms

# 在应用 transform 之前，设置随机种子
torch.manual_seed(42)

transform = transforms.Compose([
    transforms.RandomHorizontalFlip(p=0.5),
    transforms.RandomRotation(10),
    transforms.ToTensor(),
])

环境变量设置。为了更全面地控制随机性，可以设置以下环境变量：

python 复制代码

import os

os.environ['PYTHONHASHSEED'] = str(42)

完整示例。下面是一个结合了上述所有步骤的完整示例：

python 复制代码

import os
import random
import numpy as np
import torch
from torch.utils.data import DataLoader

def set_seed(seed=42):
    random.seed(seed)
    os.environ['PYTHONHASHSEED'] = str(seed)
    np.random.seed(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)
    torch.cuda.manual_seed_all(seed)
    torch.backends.cudnn.deterministic = True
    torch.backends.cudnn.benchmark = False

def seed_worker(worker_id):
    worker_seed = torch.initial_seed() % 2**32
    np.random.seed(worker_seed)
    random.seed(worker_seed)

# 设置全局种子
set_seed(42)

# 创建数据加载器
g = torch.Generator()
g.manual_seed(42)

dataloader = DataLoader(
    dataset,
    batch_size=32,
    num_workers=4,
    worker_init_fn=seed_worker,
    generator=g
)

# 模型训练代码...

注意事项：

尽管我们已尽力消除所有可能的随机性因素，但在不同的硬件、操作系统或 PyTorch 版本上，仍可能观察到细微的差异。
固定随机性可能会对模型的泛化能力产生一定影响。因此，在进行最终模型训练时，建议考虑移除这些限制措施。
请注意，某些 PyTorch 操作（如 dropout）在推理模式下表现为确定性，而在训练模式下则具有随机性。为确保评估的准确性，请在使用前调用 model.eval() 方法。

总体而言，遵循上述步骤，我们能够有效地管理 Python 及 PyTorch 中的随机性，确保神经网络训练和评估的结果具备高度的可重现性。这对于调试过程、模型间的比较以及保证实验的科学严谨性均至关重要。不过，亦需铭记于心，随机性在某些情境下有其积极作用，特别是促进模型泛化能力的提升。因此，在最终模型训练阶段，寻找可重现性与泛化能力之间的最佳平衡点显得尤为重要。