可复现性 ¶

在 PyTorch 版本、单个提交或不同平台之间，完全可复现的结果不能保证。此外，即使在使用相同的随机种子的情况下，CPU 和 GPU 执行的结果也可能不可复现。

然而，您可以采取一些步骤来限制特定平台、设备和 PyTorch 版本中非确定性行为的来源数量。首先，您可以控制可能导致您的应用程序多次执行行为不同的随机性来源。其次，您可以配置 PyTorch 避免在某些操作中使用非确定性算法，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，确定性可能通过促进实验、调试和回归测试来节省开发时间。

控制随机性的来源

PyTorch 随机数生成器

您可以使用 torch.manual_seed() 为所有设备（CPU 和 CUDA）设置 RNG 的种子：

import torch
torch.manual_seed(0)

一些 PyTorch 操作可能内部使用随机数。例如， torch.svd_lowrank() 就是这样做的。因此，如果连续多次使用相同的输入参数调用它，可能会得到不同的结果。然而，只要在应用程序开始时将 torch.manual_seed() 设置为常数，并且消除了所有其他非确定性来源，每次在相同的环境中运行应用程序时，都会生成相同的随机数序列。

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

Python¶

对于自定义操作符，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

如果你或你使用的任何库依赖于 NumPy，你可以使用以下方式对全局 NumPy RNG 进行初始化种子：

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

然而，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），这些也需要一致地进行初始化种子。

如果你使用任何其他使用随机数生成器的库，请参考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

cuDNN 库，用于 CUDA 卷积操作，可能是应用程序多次执行中的非确定性的来源。当使用一组新的尺寸参数调用 cuDNN 卷积时，一个可选功能可以运行多个卷积算法，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，将始终使用最快的算法来处理相应的尺寸参数集。由于基准测试噪声和不同硬件，基准测试可能在后续运行中选择不同的算法，即使在同一台机器上也是如此。

使用 torch.backends.cudnn.benchmark = False 禁用基准测试功能会导致 cuDNN 确定性地选择一个算法，这可能会以降低性能为代价。

然而，如果您不需要在应用程序多次执行之间保持可重复性，那么如果启用基准测试功能 torch.backends.cudnn.benchmark = True ，性能可能会提高。

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

避免非确定性算法

torch.use_deterministic_algorithms() 允许您配置 PyTorch 在可能的情况下使用确定性算法而不是非确定性算法，并在已知操作是非确定性的（且没有确定性替代方案）时抛出错误。

请查阅 torch.use_deterministic_algorithms() 的文档以获取受影响操作的全列表。如果操作不符合文档描述，或者需要某个没有确定性实现的操作的确定性实现，请提交问题：https://github.com/pytorch/pytorch/issues?q=label:%22module:%20determinism%22

例如，运行 torch.Tensor.index_add_() 的非确定性 CUDA 实现将抛出错误：

>>> 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-稠密 CUDA 张量时，通常使用非确定性算法，但打开确定性标志后，将使用其备选的确定性实现：

>>> 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，如果您正在使用 CUDA 张量，并且您的 CUDA 版本为 10.2 或更高版本，您应根据 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

禁用 CUDA 卷积基准测试（如上所述）可以确保 CUDA 每次运行应用程序时都选择相同的算法，但该算法本身可能是非确定性的，除非设置了 torch.use_deterministic_algorithms(True) 或 torch.backends.cudnn.deterministic = True 。后者仅控制这种行为，而 torch.use_deterministic_algorithms() 将使其他 PyTorch 操作也表现出确定性。

CUDA RNN 和 LSTM

在某些版本的 CUDA 中，RNN 和 LSTM 网络可能具有非确定性行为。有关详细信息和工作程序，请参阅 torch.nn.RNN() 和 torch.nn.LSTM() 。

填充未初始化的内存

操作符 torch.empty() 和 torch.Tensor.resize_() 可能会返回包含未初始化内存的 tensor，这些内存中的值是未定义的。如果需要确定性，将此类 tensor 用作另一个操作的输入是无效的，因为输出将是非确定性的。但实际上并没有什么可以阻止这种无效代码的运行。因此，为了安全起见，默认将 torch.utils.deterministic.fill_uninitialized_memory 设置为 True ，如果设置了 torch.use_deterministic_algorithms(True) ，它将用已知值填充未初始化的内存。这将防止这种类型的非确定性行为的发生。

然而，填充未初始化的内存会对性能产生不利影响。所以如果你的程序是有效的，并且没有将未初始化的内存用作操作的输入，那么可以关闭此设置以获得更好的性能。

DataLoader¶

DataLoader 将在多进程数据加载算法中重新播种工作进程的随机性。使用 worker_init_fn() 和生成器以保持可重现性：

def seed_worker(worker_id):
    worker_seed = torch.initial_seed() % 2**32
    numpy.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,
)