Python tf.random.set_seed用法及代码示例

设置全局随机种子。

用法

tf.random.set_seed(
    seed
)

依赖随机种子的操作实际上是从两个种子中派生出来的：全局种子和operation-level 种子。这设置了全局种子。

它与operation-level种子的交互如下：

1. 如果既没有设置全局种子也没有设置操作种子：此操作使用随机挑选的种子。
2. 如果设置了全局种子，但没有设置操作种子：系统确定性地选择与全局种子一起的操作种子，以便获得唯一的随机序列。在同一版本的 tensorflow 和用户代码中，此序列是确定性的。但是，在不同的版本中，此顺序可能会发生变化。如果代码依赖于特定的种子来工作，请明确指定全局和operation-level 种子。
3. 如果设置了操作种子，但未设置全局种子：使用默认全局种子和指定的操作种子来确定随机序列。
4. 如果全局和操作种子都设置了：两个种子一起使用来确定随机序列。

为了说明 user-visible 效果，请考虑以下示例：

如果全局种子和操作种子均未设置，则每次调用随机操作和每次重新运行程序都会得到不同的结果：

print(tf.random.uniform([1]))  # generates 'A1'
print(tf.random.uniform([1]))  # generates 'A2'

(现在关闭程序并再次运行)

print(tf.random.uniform([1]))  # generates 'A3'
print(tf.random.uniform([1]))  # generates 'A4'

如果设置了全局种子但未设置操作种子，则每次调用随机操作都会得到不同的结果，但每次重新运行程序都会得到相同的序列：

tf.random.set_seed(1234)
print(tf.random.uniform([1]))  # generates 'A1'
print(tf.random.uniform([1]))  # generates 'A2'

(现在关闭程序并再次运行)

tf.random.set_seed(1234)
print(tf.random.uniform([1]))  # generates 'A1'
print(tf.random.uniform([1]))  # generates 'A2'

我们在上面的 tf.random.uniform 的第二次调用中得到 'A2' 而不是 'A1' 的原因是因为第二次调用使用了不同的操作种子。

请注意，在这种情况下，tf.function 就像重新运行程序一样。当设置了全局种子但未设置操作种子时，每个 tf.function 的随机数序列相同。例如：

tf.random.set_seed(1234)

@tf.function
def f():
  a = tf.random.uniform([1])
  b = tf.random.uniform([1])
  return a, b

@tf.function
def g():
  a = tf.random.uniform([1])
  b = tf.random.uniform([1])
  return a, b

print(f())  # prints '(A1, A2)'
print(g())  # prints '(A1, A2)'

如果设置了操作种子，我们每次调用随机操作都会得到不同的结果，但每次重新运行程序的顺序相同：

print(tf.random.uniform([1], seed=1))  # generates 'A1'
print(tf.random.uniform([1], seed=1))  # generates 'A2'

(现在关闭程序并再次运行)

print(tf.random.uniform([1], seed=1))  # generates 'A1'
print(tf.random.uniform([1], seed=1))  # generates 'A2'

我们在上面的 tf.random.uniform 的第二次调用中得到 'A2' 而不是 'A1' 的原因是因为 TensorFlow 使用相同的 tf.random.uniform 内核(即内部表示)以相同的参数调用它，并且内核维护一个内部计数器，每次执行时都会递增，产生不同的结果。

调用 tf.random.set_seed 将重置任何此类计数器：

tf.random.set_seed(1234)
print(tf.random.uniform([1], seed=1))  # generates 'A1'
print(tf.random.uniform([1], seed=1))  # generates 'A2'
tf.random.set_seed(1234)
print(tf.random.uniform([1], seed=1))  # generates 'A1'
print(tf.random.uniform([1], seed=1))  # generates 'A2'

当多个相同的随机操作包含在 tf.function 中时，它们的行为会发生变化，因为这些操作不再共享相同的计数器。例如：

@tf.function
def foo():
  a = tf.random.uniform([1], seed=1)
  b = tf.random.uniform([1], seed=1)
  return a, b
print(foo())  # prints '(A1, A1)'
print(foo())  # prints '(A2, A2)'

@tf.function
def bar():
  a = tf.random.uniform([1])
  b = tf.random.uniform([1])
  return a, b
print(bar())  # prints '(A1, A2)'
print(bar())  # prints '(A3, A4)'

foo 的第二次调用返回 '(A2, A2)' 而不是 '(A1, A1)'，因为 tf.random.uniform 维护一个内部计数器。如果您希望 foo 每次都返回 '(A1, A1)'，请使用无状态随机操作，例如 tf.random.stateless_uniform 。另请参阅tf.random.experimental.Generator，了解一组新的有状态随机操作，它们使用外部变量来管理其状态。