🍉 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
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
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
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
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
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
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。