深度学习模型稳定可复现

深度学习这一块奥，稳定性奥，必须拿捏的死死的奥。

深度学习的一个项目，其中的随机性会非常的大

1 随机生成的模型参数，
2 可能是随机选取的训练样本顺序
3 随机dropout

以上等等，会使得模型具有一定的随机性，其实也并非完全算作坏事
因为模型性能的抖动能够让模型性能更高一些，可以报告跑出来的最高性能，是吧。
但是在某些阶段时，我们必须使得性能稳定，这样才可以明显的对比。
比如：

1 调整一些超参数
2 改进模型结构
3 优化算法

等等上述情况时候，会需要稳定模型。因为改进模型结构，可能就提升了0.5%-1%的性能，但是模型本身会有2%的性能抖动（更有甚者会有5%-10% FaceNet这种训练embedding的方式抖动会更大，triplet semihard loss详解，懂得都懂）。
本身具有抖动，在实验的时候，就不一定能验证出改进的有效性了。
大家不必笑，模型的改进往往就是这0.5%， 0.5%的累积
举个例子现在做目标检测任务的，每次在sota上提升个2%，就已经非常了不得了。

所以建议大家每次将模型固定好，进行优化的调整，确定最终模型之后，再进行随机化或者设定新的随机种子，这样可以再把模型性能抖动的更高。

当然其实现在的这么大的深度模型，很少存在性能抖动这么厉害的情况，但是相对小的模型上，情况还是很普遍的

下面关于tensorflow, pytorch, keras, random, numpy等库，给大家一些代码，方便确定随机数，以固定模型结果。

Tensorflow

import tensorflow as tf seed = 42 # 可以自己设置 tf.set_random_seed(seed) 

这一块主要是设置了graph级别的随机种子，大家也可以设置成为单个点确定的随机种子（但我觉得对一个模型来说，这样完全是没有任何必要的）
(tensorflow生成的是静态图，所以为graph级别的)

Keras & numpy

import tensorflow as tf from tensorflow import keras as K import numpy as np seed = 42 np.random.seed(seed) 

大家可能会觉得为什么没有keras的？其实本质原因是keras内核的random number generator用的就是numpy的。也就是说keras内部调用了numpy的随机数生成器，只要将numpy确定随机种子，那么keras的生成数就是确定的。

random

import random seed = 42 random.seed(seed) 

random是python自带的一个包，存在的操作会有random.choice等等，从一个list中随机取一个或多个元素。

hashseed

seed = 42 os.environ['PYTHONHASHSEED'] = str(seed) 

HASHSEED是 HASH映射函数时，保证每一次新的运行进程，对于一个相同的object生成的hash是相同的。

PyTorch

seed = 42 torch.manual_seed(seed) torch.cuda.manual_seed(seed) torch.cuda.manual_seed_all(seed) # multi gpu torch.backends.cudnn.deterministic = True torch.backends.cudnn.benchmark = False torch.backends.cudnn.enabled = False 

额外介绍一下：最后三行使用了cudnn：
cuDNN 是英伟达专门为深度神经网络所开发出来的 GPU 加速库，针对卷积、池化等等常见操作做了非常多的底层优化，比一般的 GPU 程序要快很多。大多数深度学习框架都支持 cuDNN，PyTorch 也不例外。在使用 GPU 的时候，PyTorch 会默认使用 cuDNN 加速。
其中:

1 torch.manual_seed(seed)是cpu情况下的seed
2 torch.cuda.manual_seed(seed)是单GPU情况下的seed
3 torch.cuda.manual_seed_all(seed)是多GPU情况下的seed
4 torch.backends.cudnn.deterministic = True和下述的benchmark搭配使用，确定卷积算法的类型。
5 torch.backends.cudnn.benchmark = False是cudnn使用确定性卷积，而不是使用优化提速型的卷积
(这个的意思是cudnn在开始时会对模型的每个卷积层使用合适的卷积算法加速，由于卷积网络的kernel大小，数量，计算方式等等，选用合适的卷积算法会使得后续计算加快) 速度会慢，但是可复现
6 torch.backends.cudnn.enabled = False 直接不使用cudnn底层加速。

这边给大家两份代码吧，分别是pytorch和tensorflow的所有相关随机数整理的函数，于主程序运行之前一次即可。

PyTorch

def seed_torch(seed=42):     seed = int(seed)     random.seed(seed)     os.environ['PYTHONHASHSEED'] = str(seed)     np.random.seed(seed)     torch.manual_seed(seed)     torch.cuda.manual_seed(seed)     torch.cuda.manual_seed_all(seed)     torch.backends.cudnn.deterministic = True     torch.backends.cudnn.benchmark = False     torch.backends.cudnn.enabled = False 

Tensorflow

def seed_tensorflow(seed=42):     random.seed(seed)     os.environ['PYTHONHASHSEED'] = str(seed)     np.random.seed(seed)     tf.set_random_seed(seed)