【Tensorflow】tf.set_random_seed(seed)
tf.set_random_seed(seed) 用于:设置图级随机seed。
seed操作有两种设置方式:图级seed 和 操作级seed。
并且两种seed是关联使用的。
相互作用如下:
1.如果没有设置图形级别和操作seed,则使用随机seed进行操作。
2.如果设置了图级seed,但操作seed没有设置:系统确定性地选择与图级seed一起的操作seed,以便获得唯一的随机序列。
3.如果没有设置图级seed,但是设置了操作seed:使用默认的图级seed和指定的操作seed来确定随机序列。
4.如果图级和操作seed都被设置:两个seed联合使用以确定随机序列。
为了说明用户可见的效果,请考虑以下示例:
要跨会话生成不同的序列,既不设置图级别也不设置op级别的seed:
a = tf.random_uniform([1])
b = tf.random_normal([1])print("Session 1")
with tf.Session() as sess1:print(sess1.run(a)) # generates 'A1'print(sess1.run(a)) # generates 'A2'print(sess1.run(b)) # generates 'B1'print(sess1.run(b)) # generates 'B2'print("Session 2")
with tf.Session() as sess2:print(sess2.run(a)) # generates 'A3'print(sess2.run(a)) # generates 'A4'print(sess2.run(b)) # generates 'B3'print(sess2.run(b)) # generates 'B4'
要为跨会话生成一个可操作的序列,请为op设置seed:
a = tf.random_uniform([1], seed=1)
b = tf.random_normal([1])
# Repeatedly running this block with the same graph will generate the same
# sequence of values for 'a', but different sequences of values for 'b'.
print("Session 1")
with tf.Session() as sess1:print(sess1.run(a)) # generates 'A1'print(sess1.run(a)) # generates 'A2'print(sess1.run(b)) # generates 'B1'print(sess1.run(b)) # generates 'B2'print("Session 2")
with tf.Session() as sess2:print(sess2.run(a)) # generates 'A1'print(sess2.run(a)) # generates 'A2'print(sess2.run(b)) # generates 'B3'print(sess2.run(b)) # generates 'B4'
为了使所有op产生的随机序列在会话之间是可重复的,请设置一个图级别的seed:
tf.set_random_seed(1234)
a = tf.random_uniform([1])
b = tf.random_normal([1])# Repeatedly running this block with the same graph will generate different
# sequences of 'a' and 'b'.
print("Session 1")
with tf.Session() as sess1:print(sess1.run(a)) # generates 'A1'print(sess1.run(a)) # generates 'A2'print(sess1.run(b)) # generates 'B1'print(sess1.run(b)) # generates 'B2'print("Session 2")
with tf.Session() as sess2:print(sess2.run(a)) # generates 'A1'print(sess2.run(a)) # generates 'A2'print(sess2.run(b)) # generates 'B1'print(sess2.run(b)) # generates 'B2'
Args:
seed: integer.
【Tensorflow】tf.set_random_seed(seed)相关推荐
- 【Tensorflow】tf.nn.atrous_conv2d如何实现空洞卷积?膨胀卷积
介绍 关于空洞卷积的理论可以查看以下链接,这里我们不详细讲理论: 1.Long J, Shelhamer E, Darrell T, et al. Fully convolutional networ ...
- 【TensorFlow】tf.nn.softmax_cross_entropy_with_logits的用法
[TensorFlow]tf.nn.softmax_cross_entropy_with_logits的用法 from:https://blog.csdn.net/mao_xiao_feng/arti ...
- 【TensorFlow】tf.nn.softmax_cross_entropy_with_logits中的“logits”到底是个什么意思?
tf.nn.softmax_cross_entropy_with_logits中的"logits"到底是个什么意思?_玉来愈宏的随笔-CSDN博客 https://blog.csd ...
- 【TensorFlow】tf.nn.softmax_cross_entropy_with_logits 函数:求交叉熵损失
[TensorFlow]tf.nn.softmax_cross_entropy_with_logits的用法_xf__mao的博客-CSDN博客 https://blog.csdn.net/mao_x ...
- 【Tensorflow】tf.nn.depthwise_conv2d如何实现深度卷积?+深度可分离卷积详解
目录 常规卷积操作 深度可分离卷积 = 逐通道卷积+逐点卷积 1.逐通道卷积 2.逐点卷积 参数对比 介绍 实验 代码清单 一些轻量级的网络,如mobilenet中,会有深度可分离卷积depthwis ...
- 【Tensorflow】 tf.equal(tf.argmax(y, 1),tf.argmax(y_, 1))用法
[Tensorflow] tf.equal(tf.argmax(y, 1),tf.argmax(y_, 1))用法 作用:输出正确的预测结果 利用tf.argmax()按行求出真实值y_.预测值y最大 ...
- 【TensorFlow】tf.nn.conv2d是怎样实现卷积的?
int height_col= (height + 2 * pad_h - kernel_h) / stride_h + 1; int width_col = (width + 2 * pad_w - ...
- 【Tensorflow】TF中的字符串tf.string
目录 string 的定义 string 类型常用的函数 tf.as_string() tf.substr() tf.string_to_number() tf.string_split() tf.s ...
- 【TensorFlow】tf.concat的用法
tf.concat是连接两个矩阵的操作 tf.concat(concat_dim, values, name='concat') 除去name参数用以指定该操作的name,与方法有关的一共两个参数: ...
最新文章
- java中解决脏读_多线程出现脏读以及解决方法(使用synchronized)
- java设计模式-简单工厂模式
- 网站登录入口| 网站收录入口| 网站登录大全
- python 报错traceback-python-traceback捕获并打印异常
- git:致命的:无法从远程存储库读取
- python代码写好了怎么运行-python的代码写在哪里,怎么样运行python代码
- selenium3 + python - js处理readonly属性
- iphone iPhone开发中如何将制作图片放大缩小代码实现案例
- python pyqt5实现自定义点击事件_Python 图形用户界面实战 : PyQt5 实现摘要算法计算...
- Query and transform XML
- nodejs实战案例(Express框架+mongoDB)——(15)——爬虫功能
- Vulkan-NCNN 编译
- AUTOCAD——形位公差如何标注、CAD打断于点的操作
- 计算机教师中级职称个人总结,职称个人总结
- 计算机学生如何创新,试论如何在计算机教育中培养学生的创新能力
- PrettyTable的 reversesort 不起作用
- 复星文旅换帅:徐晓亮任董事长职务 钱建农将任复星国际执行总裁
- 编译错误:类型不匹配 mscomctl与Excel库
- ROWNUM和ROWID的认识
- 【PAT甲级 单源最短路径】1087 All Roads Lead to Rome (30 分)