Pytorch使用笔记1——可重复性(Reproducibility)

在深度学习实验中,确保可重复性至关重要。本篇笔记详细介绍了如何在Pytorch、CuDNN和Numpy中设置随机种子,以保证在相同环境下实验结果的一致性。通过在Pytorch中设置CPU和CUDA种子,在CuDNN后端进行特定操作,并在使用Numpy时调整随机状态,可以实现傻瓜式的可重复性设置。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

在深度学习中,处理数据和对模型进行参数初始赋值通常有许多随机性的操作,为了使在同一台设备中能可重复性实验,可以提前在以下几个方面进行设置,保证初始的随机种子(seed)相等。

Step1:Pytorch

通过torch.manual_seed()来为CPU和CUDA设置其初始的seed

import torch
torch.manual_seed(0)

Step2:CuDNN

当代码运行在CuDNN的后端,需要执行以下两步操作:

torch.backends.cudnn.deterministic = True
torch.backends.<
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值