通過設(shè)置全局隨機(jī)種子使得每次的訓(xùn)練結(jié)果相同可以復(fù)現(xiàn)

def seed_torch(seed=2018):
    random.seed(seed)
    os.environ['PYTHONHASHSEED'] = str(seed)
    np.random.seed(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)
    torch.backends.cudnn.deterministic = True

這里我主要講一下模型在復(fù)現(xiàn)結(jié)果遇到的一些問題。

首先在固定隨機(jī)種子之后，每次模型訓(xùn)練出來的結(jié)果一定是一樣的，如果不相同，那么說明訓(xùn)練過程中一定還有一部分隨機(jī)性操作沒有被固定。

將模型參數(shù)保存下來，然后加載模型參數(shù)進(jìn)行測(cè)試，如果發(fā)現(xiàn)結(jié)果和訓(xùn)練過程中得到的結(jié)果有差異。

這個(gè)時(shí)候就需要按照以下步驟進(jìn)行分析：

1、先改變batchsize，看看實(shí)驗(yàn)復(fù)現(xiàn)的結(jié)果是否會(huì)發(fā)生變化。如果發(fā)生變化就說明batchsize會(huì)影響模型推理過程中的參數(shù)。

2、檢查一下forward中有哪些參數(shù)跟batchsize有關(guān)，或者是不是代碼寫錯(cuò)了。比如batchsize就會(huì)影響LSTM的模型參數(shù)的初始化。

3、最后檢查測(cè)試集劃分batch的時(shí)候是否都一樣。

test_loader = DataLoader(test_dataset, batch_size=batchsize, shuffle=True, num_workers=4, pin_memory=True)

比如這樣一行代碼，測(cè)試集每次都被打亂了，雖然固定了隨機(jī)種子，但是這樣只能保證第k輪的隨機(jī)種子是一樣的，而第1輪和第10輪的隨機(jī)種子是不一樣的。

這樣的話，比如模型在第13個(gè)epoch收斂，得到的結(jié)果在是第13輪的測(cè)試集進(jìn)行測(cè)試的，而模型在加載的時(shí)候是在第一輪的測(cè)試進(jìn)行測(cè)試的，結(jié)果自然有差異。

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。