args.seed =42
torch.manual_seed(args.seed)
torch.cuda.manual_seed_all(args.seed)
torch.cuda.manual_seed(args.seed)
np.random.seed(args.seed)
random.seed(args.seed)
torch.backends.cudnn.deterministic = True在需要生成随机数据的实验中，每次实验都需要生成数据。设置随机种子是为了确保每次生成固定的随机数，这就使得每次实验结果显示一致了，有利于实验的比较和改进。使得每次运行该 .py 文件时生成的随机数相同。
pytorch (cpu,gpu,多gpu)
1. 为CPU中设置种子，生成随机数：
torch.manual_seed(seed)2. 为特定GPU设置种子，生成随机数：
torch.cuda.manual_seed(number)3. 为所有GPU设置种子，生成随机数：
torch.cuda.manual_seed_all(number)
不设置随机种子，则每次随机结果不同。设置之后随机结果相同。
# 不设置随机种子
import torch
print(torch.rand(1)) # 返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数
# 设置随机种子
import torch
# 设置随机种子
torch.manual_seed(0) # 不同的随机种子生成随机数不同，换成其他值随机数不一样
# 生成随机数
print(torch.rand(1)) # 返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数
print(torch.rand(1)) # 设置随机种子后，是每次运行.py文件的输出结果都一样，随机函数结果不同。
# 输出结果：
tensor([0.4963])
tensor([0.7682])
#若想要结果都一样，那你可以在每个随机函数前都设置一模一样的随机种子
torch.manual_seed(0)
print(torch.rand(1))
torch.manual_seed(0)
print(torch.rand(1))
# 输出结果：
tensor([0.4963])
tensor([0.4963])
numpy
import numpy as np
np.random.seed(1)
L1 = np.random.randn(3, 3)
np.random.seed(1)
L2 = np.random.randn(3, 3)
print(L1)
print(L2)
# 结果
[[ 1.62434536 -0.61175641 -0.52817175]
[-1.07296862 0.86540763 -2.3015387 ]
[ 1.74481176 -0.7612069 0.3190391 ]]
[[ 1.62434536 -0.61175641 -0.52817175]
[-1.07296862 0.86540763 -2.3015387 ]
[ 1.74481176 -0.7612069 0.3190391 ]]
python
random.seed(1)
print(random.randrange(10))
本质就是使用自己的函数，使用种子后随机数固定。像random.seed()，使用random的随机函数就会固定随机数。使用np.random.seed()，np.random.randn()就会固定随机数。
参考：