Tensorflow中关于随机数生成种子tf.set_random_seed()

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_31878983/article/details/79495810

                                        <link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/ck_htmledit_views-e2445db1a8.css">
                    <div class="htmledit_views">
            <pre onclick="hljs.copyCode(event)"><code class="language-python hljs">

   Tensorflow中的随机数生成种子是在数据流图资源上运作的。每一个数据流图中，我们可以执行针对随机数生成种子应用不同的操作（operation）。事实上，随机数生成种子作为random系列函数的参数之一，可在相应的参数列表进行设置，这就是op-level的操作。与之对应的是graph-leveltf.set_random_seed()的操作tf.set_random_seed()，它管理着同一数据流图下的资源。

    我们结合相应代码做简单的分析

[python] view plain copy

print ?

1. <code class=“language-python”>import tensorflow as  tf  
2. # Repeatedly running this block with the same graph will generate the same  
3. # sequences of ‘a’ and ‘b’.  
4. g1 = tf.Graph()  
5. g2 = tf.Graph()  
6. print(“Graph 1”)  
7. with g1.as_default():  
8.     tf.set_random_seed(-1)  
9.     a = tf.random_uniform([1])  
10.     b = tf.random_normal([1])  
11.     print(“Session 1”)  
12.     with tf.Session() as sess1:  
13.         print(sess1.run(a))  # generates ‘A1’  
14.         print(sess1.run(a))  # generates ‘A2’  
15.         print(sess1.run(b))  # generates ‘B1’  
16.         print(sess1.run(b))  # generates ‘B2’  
17.     print(“Session 2”)  
18.     with tf.Session() as sess2:  
19.         print(sess2.run(a))  # generates ‘A1’  
20.         print(sess2.run(a))  # generates ‘A2’  
21.         print(sess2.run(b))  # generates ‘B1’  
22.         print(sess2.run(b))  # generates ‘B2  
23. print(“————–”)  
24. print(“Graph 2”)  
25. with g2.as_default():  
26.     a = tf.random_uniform([1])  
27.     b = tf.random_normal([1],seed=-1)  
28.     print(“Session 3”)  
29.     with tf.Session() as sess3:  
30.         print(sess3.run(a))  # generates ‘A1’  
31.         print(sess3.run(a))  # generates ‘A2’  
32.         print(sess3.run(b))  # generates ‘B1’  
33.         print(sess3.run(b))  # generates ‘B2’  
34.     print(“Session 4”)  
35.     with tf.Session() as sess4:  
36.         print(sess4.run(a))  # generates ‘A3’  
37.         print(sess4.run(a))  # generates ‘A4’  
38.         print(sess4.run(b))  # generates ‘B1’  
39.         print(sess4.run(b))  # generates ‘B2’</code>  

    
    
import tensorflow as tf
# Repeatedly running this block with the same graph will generate the same
# sequences of 'a' and 'b'.
g1 = tf.Graph()
g2 = tf.Graph()
print( "Graph 1")
with g1.as_default():
tf.set_random_seed( -1)
a = tf.random_uniform([ 1])
b = tf.random_normal([ 1])
print( "Session 1")
with tf.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.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
print( "--------------")
print( "Graph 2")
with g2.as_default():
a = tf.random_uniform([ 1])
b = tf.random_normal([ 1],seed= -1)
print( "Session 3")
with tf.Session() as sess3:
print(sess3.run(a)) # generates 'A1'
print(sess3.run(a)) # generates 'A2'
print(sess3.run(b)) # generates 'B1'
print(sess3.run(b)) # generates 'B2'
print( "Session 4")
with tf.Session() as sess4:
print(sess4.run(a)) # generates 'A3'
print(sess4.run(a)) # generates 'A4'
print(sess4.run(b)) # generates 'B1'
print(sess4.run(b)) # generates 'B2'
    
    

   
   
#程序输出
Graph 1
Session 1
[ 0.45231807]
[ 0.82921326]
[ -0.90662855]
[ 0.52898115]
Session 2
[ 0.45231807]
[ 0.82921326]
[ -0.90662855]
[ 0.52898115]
--------------
Graph 2
Session 3
[ 0.18341184]
[ 0.42214954]
[ -0.96254766]
[ -1.088825]
Session 4
[ 0.40388882]
[ 0.7478839]
[ -0.96254766]
[ -1.088825]
   
   

    在Graph1中，我们通过tf.set_random_seed()函数对该图资源下的全局随机数生成种子进行设置，使得不同Session中的random系列函数表现出相对协同的特征，这就是Graph-Level的表现；

   在Graph2中，我们仅对张量b进行了seed设置，可以发现，这是Op-Level的表现，仅在执行张量b的情况下，才会有和Graph1类似的协同效果。另外，值得注意的是，seed的传参类型为integer，所以只要是整数（如果过大，源码中会进行截断），就能完成它的设置（可以是1234、87654321等），效果和上述的-1是一样的。

[python] view plain copy

print ?

1.   

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_31878983/article/details/79495810

                                        <link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/ck_htmledit_views-e2445db1a8.css">
                    <div class="htmledit_views">
            <pre onclick="hljs.copyCode(event)"><code class="language-python hljs">

   Tensorflow中的随机数生成种子是在数据流图资源上运作的。每一个数据流图中，我们可以执行针对随机数生成种子应用不同的操作（operation）。事实上，随机数生成种子作为random系列函数的参数之一，可在相应的参数列表进行设置，这就是op-level的操作。与之对应的是graph-leveltf.set_random_seed()的操作tf.set_random_seed()，它管理着同一数据流图下的资源。

    我们结合相应代码做简单的分析

[python] view plain copy

print ?

1. <code class=“language-python”>import tensorflow as  tf  
2. # Repeatedly running this block with the same graph will generate the same  
3. # sequences of ‘a’ and ‘b’.  
4. g1 = tf.Graph()  
5. g2 = tf.Graph()  
6. print(“Graph 1”)  
7. with g1.as_default():  
8.     tf.set_random_seed(-1)  
9.     a = tf.random_uniform([1])  
10.     b = tf.random_normal([1])  
11.     print(“Session 1”)  
12.     with tf.Session() as sess1:  
13.         print(sess1.run(a))  # generates ‘A1’  
14.         print(sess1.run(a))  # generates ‘A2’  
15.         print(sess1.run(b))  # generates ‘B1’  
16.         print(sess1.run(b))  # generates ‘B2’  
17.     print(“Session 2”)  
18.     with tf.Session() as sess2:  
19.         print(sess2.run(a))  # generates ‘A1’  
20.         print(sess2.run(a))  # generates ‘A2’  
21.         print(sess2.run(b))  # generates ‘B1’  
22.         print(sess2.run(b))  # generates ‘B2  
23. print(“————–”)  
24. print(“Graph 2”)  
25. with g2.as_default():  
26.     a = tf.random_uniform([1])  
27.     b = tf.random_normal([1],seed=-1)  
28.     print(“Session 3”)  
29.     with tf.Session() as sess3:  
30.         print(sess3.run(a))  # generates ‘A1’  
31.         print(sess3.run(a))  # generates ‘A2’  
32.         print(sess3.run(b))  # generates ‘B1’  
33.         print(sess3.run(b))  # generates ‘B2’  
34.     print(“Session 4”)  
35.     with tf.Session() as sess4:  
36.         print(sess4.run(a))  # generates ‘A3’  
37.         print(sess4.run(a))  # generates ‘A4’  
38.         print(sess4.run(b))  # generates ‘B1’  
39.         print(sess4.run(b))  # generates ‘B2’</code>  

  
  
import tensorflow as tf
# Repeatedly running this block with the same graph will generate the same
# sequences of 'a' and 'b'.
g1 = tf.Graph()
g2 = tf.Graph()
print( "Graph 1")
with g1.as_default():
tf.set_random_seed( -1)
a = tf.random_uniform([ 1])
b = tf.random_normal([ 1])
print( "Session 1")
with tf.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.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
print( "--------------")
print( "Graph 2")
with g2.as_default():
a = tf.random_uniform([ 1])
b = tf.random_normal([ 1],seed= -1)
print( "Session 3")
with tf.Session() as sess3:
print(sess3.run(a)) # generates 'A1'
print(sess3.run(a)) # generates 'A2'
print(sess3.run(b)) # generates 'B1'
print(sess3.run(b)) # generates 'B2'
print( "Session 4")
with tf.Session() as sess4:
print(sess4.run(a)) # generates 'A3'
print(sess4.run(a)) # generates 'A4'
print(sess4.run(b)) # generates 'B1'
print(sess4.run(b)) # generates 'B2'
  
  

 
 
#程序输出
Graph 1
Session 1
[ 0.45231807]
[ 0.82921326]
[ -0.90662855]
[ 0.52898115]
Session 2
[ 0.45231807]
[ 0.82921326]
[ -0.90662855]
[ 0.52898115]
--------------
Graph 2
Session 3
[ 0.18341184]
[ 0.42214954]
[ -0.96254766]
[ -1.088825]
Session 4
[ 0.40388882]
[ 0.7478839]
[ -0.96254766]
[ -1.088825]
 
 

    在Graph1中，我们通过tf.set_random_seed()函数对该图资源下的全局随机数生成种子进行设置，使得不同Session中的random系列函数表现出相对协同的特征，这就是Graph-Level的表现；

   在Graph2中，我们仅对张量b进行了seed设置，可以发现，这是Op-Level的表现，仅在执行张量b的情况下，才会有和Graph1类似的协同效果。另外，值得注意的是，seed的传参类型为integer，所以只要是整数（如果过大，源码中会进行截断），就能完成它的设置（可以是1234、87654321等），效果和上述的-1是一样的。

[python] view plain copy

print ?

1.