pytorch随机种子固定：
def setup_seed(seed=0):import torchimport osimport numpy as npimport randomtorch.manual_seed(seed) # 为CPU设置随机种子np.random.seed(seed) # Numpy module.random.seed(seed) # Python random module.if torch.cuda.is_available():# torch.backends.cudnn.benchmark = Falsetorch.backends.cudnn.deterministic = Truetorch.cuda.manual_seed(seed) # 为当前GPU设置随机种子torch.cuda.manual_seed_all(seed) # 为所有GPU设置随机种子#os.environ['PYTHONHASHSEED'] = str(seed)
1、torch.backends.cudnn.benchmark
设置 torch.backends.cudnn.benchmark=True将会让程序在开始时花费一点额外时间，为整个网络的每个卷积层搜索最适合它的卷积实现算法，进而实现网络的加速、增加运行效率。适用场景是网络结构固定（不是动态变化的），网络的输入形状（包括 batch size，图片大小，输入的通道）是不变的。反之，如果卷积层的设置一直变化，会导致 cnDNN 每次都会去寻找一遍最优配置，这样反而会降低运行效率。
2、torch.backends.cudnn.deterministic
将这个 flag 置为True的话，每次返回的卷积算法将是确定的，即默认算法。如果配合上设置 Torch 的随机种子为固定值的话，应该可以保证每次运行网络的时候相同输入的输出是固定的。
如果觉得《pytorch 固定随机数种子》对你有帮助，请点赞、收藏，并留下你的观点哦！
