随机种子是什么？

随机种子是针对 随机方法 而言的。

随机方法：常见的随机方法有 生成随机数，以及其他的像 随机排序 之类的，后者本质上也是基于生成随机数来实现的。在深度学习中，比较常用的随机方法的应用有：网络的随机初始化，训练集的随机打乱等。

关于python中的随机种子——random_state

举个例子，如果我们简单调用 random.random() 来生成随机数，那么每一次生成的数都是随机的。但是，当我们预先使用 random.seed(x) 设定好随机种子，基于这个种子来执行随机算法，这个时候我们得到的随机数序列是相同的【实际上，所有的随机算法都需要提供随机种子，如果我们没有手动进行显式设置，系统则默认 根据时间 来选择这个值，此时每次生成的随机数因时间差异而不同】。

随机种子的一些具体特性

① 随机种子的取值范围？

可以是任意数字，如10，1000

② 随机种子的作用范围

np.random.seed(0)

print(np.random.rand(3))

print(np.random.rand(3))

输出:

[0.5488135  0.71518937 0.60276338]

[0.54488318 0.4236548  0.64589411]

再次运行程序，会输出同一组随机数:

[0.5488135  0.71518937 0.60276338]

[0.54488318 0.4236548  0.64589411]

想要在同一个程序中产生同一组随机数，需要在下一个函数设置一个相同的随机种子

np.random.seed(0)

print(np.random.rand(3))

np.random.seed(0)

print(np.random.rand(3))

输出:

[0.5488135  0.71518937 0.60276338]

[0.5488135  0.71518937 0.60276338]

思考

1、使用了随机种子来固定输出，那还能算是随机吗？

2、计算机底层是如何实现生成随机数的？

虽然计算机很擅长做精确计算，但是它们处理随机事件时非常不靠谱。

随机数是一个难题。大多数随机数算法都努力创造一种 呈均匀分布且难以预测的 数据序列，但是在算法初始化阶段都需要提供随机数“种子”(random seed)。而完全相同的种子每次将产生相同的“随机”数序列，因此 用系统时间作为数序列生成的起点，会让程序运行的时候更具有随机性。

为什么要用随机种子？

基于随机种子来实现代码中的随机方法，能够 保证多次运行此段代码能够得到完全一样的结果，即 保证结果的 可复现性，这样 别人跑你的代码的时候也能够很好地复现出你的结果。

PyTorch中随机种子的设置

参考：Pytorch设置随机数种子，使训练结果可复现。

在使用 PyTorch 时，如果希望通过设置随机数种子，在 GPU 或 CPU 上固定每一次的训练结果，则需要在程序执行的开始处添加以下代码：

def setup_seed(seed):

torch.manual_seed(seed)

torch.cuda.manual_seed_all(seed)

np.random.seed(seed)

random.seed(seed)

torch.backends.cudnn.deterministic = True

# 设置随机数种子

setup_seed(20)

# 预处理数据以及训练模型

# ...

# ...

随机数种子seed确定时，模型的训练结果将始终保持一致。(加v 一起学习 hailou1666)