tf.random.set_seed:设置全局随机种子。

上面写法是tensorflow2.0的写法，如果是tensorflow1.0则为：set_random_seed（）

#tensorflow2.0
tf.random.set_seed(
    seed
)


#tensorflow1.0
tf.set_random_seed(
    seed
)

依赖随机种子的操作实上是从两个种子派生的：全局种子和操作级别种子。这个设置了全局种子。

它与操作级种子的交互如下：

如果既未设置全局种子也未设置操作种子：此操作使用随机选择的种子。
如果设置了图级别的种子（graph-level seed），但未设置操作种子（operation seed）：系统确定性地选择一个操作种子和图级别的种子，以便获得唯一的随机序列。在tensorflow和用户代码的相同版本中，此序列是确定性的。但是，在不同版本中，此序列可能会更改。如果代码依赖特定的种子来工作，则明确指定图级别和操作级别种子。
如果设置了操作种子，但未设置全局种子：使用默认的全局种子和指定的操作种子来确定随机序列。
如果同时设置了全局种子和操作种子：将两个种子一起使用以确定随机序列。

为了说明用户可见的效果，请考虑以下示例：

如果既未设置全局种子也未设置操作种子，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：

import tensorflow as tf

a = tf.random.uniform([1])

print(a)  # generates 'A1'
print(a)  # generates 'A2'

with tf.Session() as sess:
    print(a)  # generates 'A1'
    print(a)  # generates 'A2'
    print(sess.run(a))
    print(sess.run(a))


# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# [0.5243385]
# [0.07725751]

（现在关闭程序，然后再次运行）

import tensorflow as tf

a = tf.random.uniform([1])

print(a)  # generates 'A1'
print(a)  # generates 'A2'

with tf.Session() as sess:
    print(a)  # generates 'A1'
    print(a)  # generates 'A2'
    print(sess.run(a))
    print(sess.run(a))


# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# [0.988395]
# [0.30105543]

如果设置了全局种子，但未设置操作种子，则每次对随机操作的调用都会得到不同的结果，但是对于程序的每次重新运行，其结果都是相同的：

import tensorflow as tf

tf.set_random_seed(1234)  # 全局种子
a = tf.random.uniform([1])

print(a)  # generates 'A1'
print(a)  # generates 'A2'

with tf.Session() as sess:
    print(a)  # generates 'A1'
    print(a)  # generates 'A2'
    print(sess.run(a))
    print(sess.run(a))

# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# [0.96046877]
# [0.8362156]

（现在关闭程序，然后再次运行）

import tensorflow as tf

tf.set_random_seed(1234)  # 全局种子
a = tf.random.uniform([1])

print(a)  # generates 'A1'
print(a)  # generates 'A2'

with tf.Session() as sess:
    print(a)  # generates 'A1'
    print(a)  # generates 'A2'
    print(sess.run(a))
    print(sess.run(a))
    print(sess.run(a))

# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# Tensor("random_uniform:0", shape=(1,), dtype=float32)
# [0.96046877]
# [0.8362156]

之所以在上述tf.random.uniform 的第二次调用中获得“ A2”而不是“ A1”，是因为第二次调用使用了不同的操作种子。

请注意，tf.function在这种情况下，其行为类似于重新运行程序。当设置了全局种子但未设置操作种子时，对于每个tf.function，随机数字序列相同。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，则每次对随机操作的调用都会得到不同的结果，但是对于程序的每次重新运行却得到相同的序列：

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

（现在关闭程序，然后再次运行）

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（即内部表示形式）对其所有的调用使用相同的参数，并且内核维护一个内部计数器，即每次执行时递增，产生不同的结果。

调用tf.random.set_seed将重置所有此类计数器：

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封装在tf.function中时，它们的行为会发生变化，因为这些操作不再共享同一计数器。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)'         这里我认为应该是prints '(A1, A2)'
print(foo())  # prints '(A2, A2)'         这里我认为应该是prints '(A1, A2)'，可能官方写错了

@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)'

第二次调用foo返回'（A2，A2）'而不是'（A1，A1）'，因为 tf.random.uniform维护一个内部计数器。如果您想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使用外部变量来管理其状态的一组新的有状态随机操作。

Args
`seed`	整数。

tf.compat.v1.set_random_seed（tensorflow1.x）用法：

要跨会话生成不同的序列，请既不设置图级种子，也不设置操作级种子：

import tensorflow as tf

a = tf.random.uniform([1])
b = tf.random.normal([1])

print("Session 1")
with tf.compat.v1.Session() as sess1:
  print(sess1.run(a))  # generates 'A1'
  print(sess1.run(a))  # generates 'A2'
  print(sess1.run(b))  # generates 'B1'
  print(sess1.run(b))  # generates 'B2'

print("Session 2")
with tf.compat.v1.Session() as sess2:
  print(sess2.run(a))  # generates 'A3'
  print(sess2.run(a))  # generates 'A4'
  print(sess2.run(b))  # generates 'B3'
  print(sess2.run(b))  # generates 'B4'

# 输出结果：会输出不同的值
# Session 1
# [0.8852068]
# [0.8638005]
# [1.2372621]
# [0.36395615]
# Session 2
# [0.49982667]
# [0.95483243]
# [0.03915504]
# [-0.04923742]

要为跨会话的操作生成相同的可重复序列，请为操作设置种子：

import tensorflow as tf

a = tf.random.uniform([1], seed=1)
b = tf.random.normal([1])

# 重复使用同一图运行此块将为“ a”生成相同的值序列，但为“ b”生成不同的值序列。
print("Session 1")
with tf.compat.v1.Session() as sess1:
    print(sess1.run(a))  # generates 'A1'
    print(sess1.run(a))  # generates 'A2'
    print(sess1.run(b))  # generates 'B1'
    print(sess1.run(b))  # generates 'B2'

print("Session 2")
with tf.compat.v1.Session() as sess2:
    print(sess2.run(a))  # generates 'A1'
    print(sess2.run(a))  # generates 'A2'
    print(sess2.run(b))  # generates 'B3'
    print(sess2.run(b))  # generates 'B4'

# Session 1
# [0.2390374]
# [0.22267115]
# [0.9864384]
# [-0.00564655]
# Session 2
# [0.2390374]
# [0.22267115]
# [-1.6779417]
# [0.20480973]

为了使所有操作生成的随机序列在会话之间可重复，请设置一个图级种子：

import tensorflow as tf

tf.compat.v1.random.set_random_seed(1234)
a = tf.random.uniform([1])
b = tf.random.normal([1])

# Repeatedly running this block with the same graph will generate the same
# sequences of 'a' and 'b'.
print("Session 1")
with tf.compat.v1.Session() as sess1:
    print(sess1.run(a))  # generates 'A1'
    print(sess1.run(a))  # generates 'A2'
    print(sess1.run(b))  # generates 'B1'
    print(sess1.run(b))  # generates 'B2'

print("Session 2")
with tf.compat.v1.Session() as sess2:
    print(sess2.run(a))  # generates 'A1'
    print(sess2.run(a))  # generates 'A2'
    print(sess2.run(b))  # generates 'B1'
    print(sess2.run(b))  # generates 'B2'

# Session 1
# [0.96046877]
# [0.8362156]
# [0.49875996]
# [0.54880583]
# Session 2
# [0.96046877]
# [0.8362156]
# [0.49875996]
# [0.54880583]

tf.random.set_seed用法

tf.random.set_seed:设置全局随机种子。

Args

tf.compat.v1.set_random_seed（tensorflow1.x）用法：

猜你喜欢