深度学习训练中的种子设置

---

---

深度学习训练中的种子设置

1. 为什么需要设置随机种子

在神经网络训练过程中，经常会通过随机的方式对一些数据进行初始化：

1、随机权重，网络有些部分的权重没有预训练，它的值则是随机初始化的，每次随机初始化不同会导致结果不同。
2、随机数据增强，一般来讲网络训练会进行数据增强，特别是少量数据的情况下，数据增强一般会随机变化光照、对比度、扭曲等，也会导致结果不同。
3、随机数据读取，喂入训练数据的顺序也会影响结果。

…

如果每次的实验都进行随机操作，那么实验的结果也会具有随机性，即相同的训练数据，相同的超参数，但是最终的结果可能会相差好几个百分点。

如何解决随机带来的问题呢？即，使得我们每次实验具有可复现性？

在计算机中的随机，其实不是真随机，都是伪随机，通过设置一个随机数种子，就能使得每次随机产生的结果都相同。

2. 随机种子的设置及使用

一般训练会用到多个库包含有关random的内容。

在pytorch构建的网络中，一般都是使用下面三个库来获得随机数，我们需要对三个库都设置随机种子：
1、torch库；
2、numpy库；
3、random库。

通常只会在两个地方使用这些random操作：初始化操作和数据加载操作，只需要在这两个操作之前对种子进行设置即可。

#---------------------------------------------------#
#   设置种子
#---------------------------------------------------#
def seed_everything(seed=11):random.seed(seed)np.random.seed(seed)torch.manual_seed(seed)torch.cuda.manual_seed(seed)torch.cuda.manual_seed_all(seed)torch.backends.cudnn.deterministic = Truetorch.backends.cudnn.benchmark = False

在初始化操作之前使用seed_everything()进行种子设置。

torch.backends.cudnn.deterministic=True用于保证CUDA 卷积运算的结果确定。
torch.backends.cudnn.benchmark=False是用于保证数据变化的情况下，减少网络效率的变化。为True的话容易降低网络效率。

Pytorch一般使用Dataloader来加载数据，Dataloader一般会使用多worker加载多进程来加载数据，此时我们需要使用Dataloader自带的worker_init_fn函数初始化Dataloader启动的多进程，这样才能保证多进程数据加载时数据的确定性。

#---------------------------------------------------#
#   设置Dataloader的种子
#---------------------------------------------------#
def worker_init_fn(worker_id, rank, seed):worker_seed = rank + seedrandom.seed(worker_seed)np.random.seed(worker_seed)torch.manual_seed(worker_seed)

小结：

• 通过设置随机数种子，利用伪随机，使得每次实验具有可复现性
• 设置种子环节：在初始化参数之前设置随机数种子，在使用Dataloader加载数据时配置worker_seed

参考文章：神经网络学习小记录74——Pytorch 设置随机种子Seed来保证训练结果唯一_pytorch seed-CSDN博客