本文介绍了一种通过设置随机种子来确保机器学习训练结果可复现的方法，这对于实验的对比和验证至关重要。文章详细解释了如何在Python环境中，利用numpy、random及PyTorch等库设置随机种子，确保CPU和GPU上的训练过程一致。
通过设置随机种子可使训练结果可复现。
def setup_seed(seed):
np.random.seed(seed)
random.seed(seed)
torch.manual_seed(seed) #cpu
torch.cuda.manual_seed_all(seed) #并行gpu
torch.backends.cudnn.deterministic = True #cpu/gpu结果一致
torch.backends.cudnn.benchmark = True #训练集变化不大时使训练加速
def main():
setup_seed(args.seed)
您可能感兴趣的与本文相关的镜像
PyTorch 2.5
PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理
352
1567
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
扫一扫
