reference

• 深度学习模型稳定，设定随机种子大全

  这个解释了下解决方案中 最基本的设置种子方式 里面 的每一行的含义

• Tensorflow随机数生成种子tf.set_random_seed()

  这个做实验证明了：图级别的随机种子设置 和 op级别的随机种子设置的区别 ，以及 前者可以涵盖后者 的特性

• stackoverflow：How to get stable results with TensorFlow, setting random seed

  高赞：tf.set_random_seed只是设定了当前图的默认seed，所以每次创建一张新的图，应该在其作用域内重新设定一下种子

• stackoverflow:reproducible-results-in-tensorflow-with-tf-set-random-seed

  tf里的随机数生成，不仅受你设置的seed值的影响，定，计算图的随机种子实际上是当前计算图的最后一个操作的id号– 创建图后，需要先设置随机数种子，然后再生成随机数算子。
  那我其实就不是很理解这里的tf.set_random_seed的作用了( 似乎完全咩有起作用… )

• 注意，GPU上的随机数目前是无法设置多次运行固定死的 – 公知

  • reddit的这个回答似乎是有办法 （还未尝试过)，在下述解决方案的基础上要加如下的代码 [记得也有人说这是tf2才有效的方式，对tf1无效…]：

    os.environ['TF_DETERMINISTIC_OPS'] = '1'
    os.environ['TF_CUDNN_DETERMINISTIC'] = '1'
    tf.config.threading.set_inter_op_parallelism_threads(1)
    tf.config.threading.set_intra_op_parallelism_threads(1)
    

解决方案

• 最基本的

  def seed_tensorflow(seed=1217):
      import random
      import os
      random.seed(seed)
      os.environ['PYTHONHASHSEED'] = str(seed)
      np.random.seed(seed)
      tf.set_random_seed(seed)	# , disable_gpu = TRUE
  
      # the below seems configs that work for tf2
      os.environ['TF_DETERMINISTIC_OPS'] = '1'
      os.environ['TF_CUDNN_DETERMINISTIC'] = '1'
  
      tf.config.threading.set_inter_op_parallelism_threads(1)
      tf.config.threading.set_intra_op_parallelism_threads(1)