1.使用随机种子、deterministic使得实验结果可复现

    随机数种子seed确定时，模型的训练结果将始终保持一致。

    随机数种子seed确定时使用相同的网络结构，跑出来的效果完全不同，用的学习率，迭代次数，batch size 都是一样。

    如果配合上设置 Torch 的随机种子为固定值的话，应该可以保证每次运行网络的时候相同输入的输出是固定的。

    4种随机种子：

import torch.backends.cudnn as cudnn # gpu深度学习加速包cudnn

# 几种随机种子
random.seed(opt.manualSeed)  

np.random.seed(opt.manualSeed)

torch.manual_seed(opt.manualSeed) # 为cpu设置随机种子

torch.cuda.manual_seed(opt.manualSeed)  # 为GPU设置随机种子

cudnn.deterministic = True  # 每次返回的卷积实现算法将是确定的，即默认算法，模型的训练结果将始终保持一致。

2.关于benchmak（基准）和diterministic（确定性的）

  • Benchmark模式会提升计算速度，但是由于计算中有随机性，每次网络前馈结果略有差异。

torch.backends.cudnn.benchmark = True 将会让程序在开始时花费一点额外时间，为整个网络的每个卷积层搜索最适合它的卷积实现算法，进而实现网络的加速。

适用场景是网络结构固定（不是动态变化的），网络的输入形状（包括 batch size，图片大小，输入的通道）是不变的，其实也就是一般情况下都比较适用。

反之，如果卷积层的设置一直变化，将会导致程序不停地做优化，反而会耗费更多的时间。

PyTorch 默认情况(即 cudnn.benchmark=False )，输入尺寸的变化并不影响效率。

  • 设置 torch.backends.cudnn.deterministic = True，每次返回的卷积实现算法将是确定的，即默认算法。

如果配合上设置 Torch 的随机种子为固定值的话，应该可以保证每次运行网络的时候相同输入的输出是固定的。即每次返回的卷积算法将是确定的，模型的训练结果将始终保持一致。

3.实例

① repVGG网络模型   train.py代码中：

# 判断输入参数是否固定了随机数种子
if args.seed is not None:
   random.seed(args.seed)
   torch.manual_seed(args.seed) # 为cpu设置随机种子
   cudnn.deterministic = True
    warnings.warn('You have chosen to seed training. '
                      'This will turn on the CUDNN deterministic setting, '
                      'which can slow down your training considerably! '
                      'You may see unexpected behavior when restarting '
                      'from checkpoints.')

②vdsr网络模型  main_vdsr.py代码中：

opt.seed = random.randint(1, 10000) # 设置种子为[1,10000)之间的随机整数
print("Random Seed: ", opt.seed) 
torch.manual_seed(opt.seed) #设置 (CPU) 生成随机数的种子，并返回一个torch.Generator对象。
if cuda:
   torch.cuda.manual_seed(opt.seed) # 为GPU设置随机种子
   cudnn.benchmark = True # 自动搜索最优卷积实现方法，实现网络加速