Pytorch 保證實驗結果可重複性質

2021-10-02 08:26:51 字數 1651 閱讀 9666

由於在模型訓練的過程中存在大量的隨機操作，使得對於同乙份**，重複執行後得到的結果不一致。因此，為了得到可重複的實驗結果，我們需要對隨機數生成器設定乙個固定的種子。

許多部落格都有介紹如何解決這個問題，但是很多都不夠全面，往往不能保證結果精確一致。我經過許多調研和實驗，總結了以下方法，記錄下來。

全部設定可以分為三部分：

from torch.backends import cudnn


cudnn.benchmark =


false


# if benchmark=true, deterministic will be false


cudnn.deterministic =


true
不過實際上這個設定對精度影響不大，僅僅是小數點後幾位的差別。所以如果不是對精度要求極高，其實不太建議修改，因為會使計算效率降低。

torch.manual_seed(seed)


# 為cpu設定隨機種子


torch.cuda.manual_seed(seed)


# 為當前gpu設定隨機種子


torch.cuda.manual_seed_all(seed)


# 為所有gpu設定隨機種子
如果讀取資料的過程採用了隨機預處理(如randomcrop、randomhorizontalflip等)，那麼對python、numpy的隨機數生成器也需要設定種子。

import random


import numpy as np


random.seed(seed)


np.random.seed(seed)
最後，關於dataloader：

注意，如果dataloader採用了多執行緒(num_workers > 1), 那麼由於讀取資料的順序不同，最終執行結果也會有差異。也就是說，改變num_workers引數，也會對實驗結果產生影響。目前暫時沒有發現解決這個問題的方法，但是只要固定num_workers數目（執行緒數）不變，基本上也能夠重複實驗結果。

global_seed =


1def


set_seed


(seed)


:    random.seed(seed)


np.random.seed(seed)


torch.manual_seed(seed)


torch.cuda.manual_seed(seed)


torch.cuda.manual_seed_all(seed)


global_worker_id =


none


defworker_init_fn


(worker_id)


:global global_worker_id


global_worker_id = worker_id


set_seed(global_seed + worker_id)


dataloader = dataloader(dataset, batch_size=


16, shuffle=


true


, num_workers=


2, worker_init_fn=worker_init_fn)

pytorch 保證實驗的可重複性

如何讓每次實驗執行後得到的結果都一致？可以通過將以下設定放在 import 後，正式 前 np.random.seed 0 random.seed 0 torch.manual seed 0 torch.cuda.manual seed 0 torch.backends.cudnn.determin...

Windows EFS驗證實驗

在 windows 環境下，利用 efs 服務實現或驗證以下功能 1.使用 efs 既可加密檔案，也可加密資料夾 2.efs 加密位於檔案系統層，加解密效率高 3.帳戶 a 進行 efs 加密的檔案無法用帳戶 b 開啟，除非設定共享 4.帳戶 a 進行 efs 加密的資料夾無法用帳戶 b 開啟，除非...

Windows EFS驗證實驗

在windows 環境下，利用efs 服務實現或驗證以下功能 1.使用efs 既可加密檔案，也可加密資料夾 2.efs 加密位於檔案系統層，加解密效率高 3.帳戶a 進行efs 加密的檔案無法用帳戶b 開啟，除非設定共享 4.帳戶a 進行efs 加密的資料夾無法用帳戶b 開啟，除非設定共享 5.只有...