为什么设置随机种子不能在运行中提供相同的性能？ [复制]

Question

这个问题在这里已经有了答案：

如何在多次运行中重现 RNN 结果？ (2 个回答)

10 个月前关闭。

我正在使用pytorch训练一些深度学习模型，其中还包括numpy的使用。 由于随机化不是真正随机的，而是伪随机的，为什么不同运行中的数字（即准确度等）不相同？

我的意思是，即使我没有设置一些随机种子，也应该有一些默认的随机种子，我的代码必须根据它运行并在不同的运行中给出相同的结果。 还有更多的东西吗？

Answer 1

我不认为真正随机与伪随机的讨论在这里是相关的。 根据日期和时间等因素，可能会生成不同的数字，这就是您应该设置种子的原因。

如果您涉及 PyTorch 和 CUDA，事情会变得有点复杂。 这是一篇关于随机性和再现性的文章。

简而言之，您需要为 numpy + PyTorch 设置种子，并将后端设置为确定性操作。