黑群辉做web下载网站百度端口开户推广

可重复性

原文链接：https://docs.pytorch.org/docs/stable/notes/randomness.html#avoiding-nondeterministic-algorithms
无法保证在 PyTorch 不同版本、单个提交或不同平台上都能完全重现结果。此外，即使使用相同的种子，CPU 和 GPU 执行之间也可能无法重现结果。

不过，您可以采取一些措施来限制特定平台、设备和 PyTorch 版本的不确定性行为源的数量。首先，您可以控制可能导致应用程序多次执行时行为不同的随机性源。其次，您可以配置 PyTorch，避免对某些操作使用不确定性算法，这样，在给定相同输入的情况下，多次调用这些操作将产生相同的结果。

警告

确定性操作通常比非确定性操作慢，因此模型的单次运行性能可能会降低。然而，确定性可以通过促进实验、调试和回归测试来节省开发时间。

控制随机性来源

PyTorch 随机数生成器

您可以使用它torch.manual_seed()来为所有设备（CPU 和 CUDA）播种 RNG：

import torch
torch.manual_seed(0)

某些 PyTorch 操作可能在内部使用随机数。 torch.svd_lowrank()例如， 就是这么做的。因此，使用相同的输入参数连续多次调用它可能会得到不同的结果。但是，只要torch.manual_seed()在应用程序开始时将 设置为常量，并且消除了所有其他不确定性因素，那么每次在同一环境中运行应用程序时，都会生成相同的一系列随机数。

torch.manual_seed()通过在后续调用之间设置相同的值，也可以从使用随机数的操作中获得相同的结果。

Python

对于自定义运算符，您可能还需要设置 python 种子：

import random
random.seed(0)

其他库中的随机数生成器

如果您或您正在使用的任何库依赖于 NumPy，则可以使用以下方式为全局 NumPy RNG 播种：

import numpy as np
np.random.seed(0)

但是，某些应用程序和库可能使用 NumPy 随机生成器对象，而不是全局 RNG（https://numpy.org/doc/stable/reference/random/generator.html），并且这些对象也需要一致地播种。

如果您正在使用任何其他使用随机数生成器的库，请参阅这些库的文档以了解如何为它们设置一致的种子。

CUDA 卷积基准测试

CUDA 卷积运算所使用的 cuDNN 库可能会在应用程序的多次执行中造成不确定性。当使用一组新的尺寸参数调用 cuDNN 卷积时，一项可选功能可以运行多个卷积算法，并对它们进行基准测试以找到最快的算法。然后，在后续过程中，针对相应的尺寸参数集，将始终使用最快的算法。由于基准测试噪声和硬件差异，即使在同一台机器上，基准测试也可能在后续运行中选择不同的算法。

禁用基准测试功能 会导致 cuDNN 确定性地选择一种算法，但可能会以性能降低为代价。torch.backends.cudnn.benchmark = False

但是，如果您不需要在应用程序的多次执行中进行重现，则启用基准测试功能可能会提高性能 。torch.backends.cudnn.benchmark = True

请注意，此设置与下面讨论的设置不同torch.backends.cudnn.deterministic 。

避免不确定性算法

torch.use_deterministic_algorithms()允许您配置 PyTorch 以在可用的情况下使用确定性算法而不是非确定性算法，并且如果已知操作是非确定性的（并且没有确定性的替代方法），则抛出错误。

请查看文档以torch.use_deterministic_algorithms() 获取受影响操作的完整列表。如果某个操作未按照文档正确执行，或者您需要某个操作的确定性实现，但该操作尚未提供确定性实现，请提交问题： https://github.com/pytorch/pytorch/issues ?q=label:%22module:%20determinism%22

例如，运行非确定性 CUDA 实现torch.Tensor.index_add_() 将引发错误：

>>> import torch
>>> torch.use_deterministic_algorithms(True)
>>> torch.randn(2, 2).cuda().index_add_(0, torch.tensor([0, 1]), torch.randn(2, 2))
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
RuntimeError: index_add_cuda_ does not have a deterministic implementation, but you set
'torch.use_deterministic_algorithms(True)'. ...

当torch.bmm()使用稀疏密集 CUDA 张量调用时，它通常使用非确定性算法，但是当确定性标志打开时，将使用其替代的确定性实现：

>>> import torch
>>> torch.use_deterministic_algorithms(True)
>>> torch.bmm(torch.randn(2, 2, 2).to_sparse().cuda(), torch.randn(2, 2, 2).cuda())
tensor([[[ 1.1900, -2.3409],[ 0.4796,  0.8003]],[[ 0.1509,  1.8027],[ 0.0333, -1.1444]]], device='cuda:0')

此外，如果您使用 CUDA 张量，并且您的 CUDA 版本为 10.2 或更高版本，则应根据 CUDA 文档 设置环境变量CUBLAS_WORKSPACE_CONFIG ： https://docs.nvidia.com/cuda/cublas/index.html#results-reproducibility

CUDA 卷积确定性

虽然禁用 CUDA 卷积基准测试（如上所述）可确保 CUDA 在每次运行应用程序时选择相同的算法，但该算法本身可能是不确定的，除非设置了 torch.use_deterministic_algorithms(True)或 。后者设置仅控制此行为，而后者 会使其他 PyTorch 操作也具有确定性行为。torch.backends.cudnn.deterministic = Truetorch.use_deterministic_algorithms()

CUDA RNN 和 LSTM

在某些 CUDA 版本中，RNN 和 LSTM 网络可能存在非确定性行为。请参阅torch.nn.RNN()和torch.nn.LSTM()了解详细信息及解决方法。

填充未初始化的内存

torch.empty()像和 这样的操作torch.Tensor.resize_()可能会返回包含未初始化内存的张量，这些内存包含未定义的值。如果需要确定性，则将这样的张量作为其他操作的输入是无效的，因为输出将是不确定的。但实际上没有任何方法可以阻止此类无效代码的运行。因此，为了安全起见， 默认情况下torch.utils.deterministic.fill_uninitialized_memory设置为True ，如果 设置为 ，它将用已知值填充未初始化的内存 torch.use_deterministic_algorithms(True)。这将避免出现这种不确定的行为。

然而，填充未初始化的内存会损害性能。因此，如果您的程序有效，并且不使用未初始化的内存作为操作的输入，则可以关闭此设置以获得更好的性能。

数据加载器
DataLoader 将根据多进程数据加载算法中的随机性重新播种工作进程。使用worker_init_fn()生成器来保持可重复性：

def seed_worker(worker_id):worker_seed = torch.initial_seed() % 2**32numpy.random.seed(worker_seed)random.seed(worker_seed)g = torch.Generator()
g.manual_seed(0)DataLoader(train_dataset,batch_size=batch_size,num_workers=num_workers,worker_init_fn=seed_worker,generator=g,
)