如何使用 TensorFlow 获得稳定的结果，设置随机种子

Posted 2023-02-23

技术标签:

【中文标题】如何使用 TensorFlow 获得稳定的结果，设置随机种子【英文标题】：How to get stable results with TensorFlow, setting random seed 【发布时间】：2016-07-17 05:46:46 【问题描述】：

我正在尝试使用不同的参数多次运行神经网络，以校准网络参数（辍学概率、学习率等）。但是我遇到的问题是，当我在循环中运行网络时，在保持参数相同的情况下运行网络仍然给了我不同的解决方案，如下所示：

filename = create_results_file()
for i in range(3):
  g = tf.Graph()
  with g.as_default():
    accuracy_result, average_error = network.train_network(
        parameters, inputHeight, inputWidth, inputChannels, outputClasses)
    f, w = get_csv_writer(filename)
    w.writerow([accuracy_result, "did run %d" % i, average_error])
    f.close()

在设置网络的层和错误函数之前，我在 train_network 函数的开头使用以下代码：

np.random.seed(1)
tf.set_random_seed(1)

我也尝试在创建 TensorFlow 图形之前添加此代码，但我在结果输出中不断得到不同的解决方案。

我正在使用 AdamOptimizer，并正在使用 tf.truncated_normal 初始化网络权重。此外，我使用np.random.permutation 对每个时期的传入图像进行洗牌。

【问题讨论】：

Reproducible results in Tensorflow with tf.set_random_seed的可能重复但是这个问题是在 2 年前提出的，所以这个问题是重复的。 【参考方案1】：

设置当前的 TensorFlow 随机种子仅影响当前的默认图。由于您正在为训练创建一个新图并将其设置为默认值 (with g.as_default():)，因此您必须在该 with 块的范围内设置随机种子。

例如，您的循环应如下所示：

for i in range(3):
  g = tf.Graph()
  with g.as_default():
    tf.set_random_seed(1)
    accuracy_result, average_error = network.train_network(
        parameters, inputHeight, inputWidth, inputChannels, outputClasses)

请注意，这将为外部for 循环的每次迭代使用相同的随机种子。如果您想在每次迭代中使用不同但仍具有确定性的种子，您可以使用tf.set_random_seed(i + 1)。

【讨论】：

我相信我的 set_random_seed(1) 已经在 g.as_default() 块中，因为它是 train_network 代码中的第一行之一。尽管如此，我已经尝试将代码放在您的示例中，但我仍然得到不稳定的结果： > 准确度标签错误 > 0.9805 运行 0 2.96916 > 0.9807 运行 1 2.96494 > 0.9804 运行 2 2.95215 我遇到了同样的问题。 tensorflow 0.12.1 按指定设置随机种子我发现每次运行的概率输出略有不同。原因取决于你的函数是什么，但精度计算的微小差异很可能是由像tf.reduce_sum() 这样的操作的非确定性并行减少引起的。（这些操作将浮点加法视为可交换的，而实际上并非如此，并且减少顺序的更改可能会导致结果出现轻微错误......） @mrry，我遇到了与DropoutWrapper 类似的错误。当我保留keep_prob=1 时，我会得到一致的结果。然而，不同的运行给我不同的值keep_prob=0.8。可能是什么原因？我已将其移至 ***.com/questions/42156296【参考方案2】：

可以通过提供图形级或操作级种子来获得确定性行为。两者都为我工作。可以使用tf.set_random_seed 放置图形级种子。操作级种子可以放置在变量初始化器中，例如：

myvar = tf.Variable(tf.truncated_normal(((10,10)), stddev=0.1, seed=0))

【讨论】：

【参考方案3】：

Tensorflow 2.0 Compatible Answer：对于Tensorflow 2.0以上的版本，如果我们要设置全局随机种子，使用的命令是tf.random.set_seed。

如果我们从 Tensorflow Version 1.x to 2.x 迁移，我们可以使用命令， tf.compat.v2.random.set_seed。

请注意，在这种情况下，tf.function 就像重新运行程序一样。

要设置操作级别种子（如上所述），我们可以使用命令，tf.random.uniform([1], seed=1)。

更多详情，请参考Tensorflow Page。

【讨论】：

【参考方案4】：

后端设置：cuda:10.1、cudnn: 7、tensorflow-gpu: 2.1.0、keras: 2.2.4-tf 和 vgg19 自定义模型

在研究了使用 GPU 训练和基于 keras 的大型神经网络模型的 tensorflow 后端结果不稳定的问题后，我终于能够获得可重现（稳定）的结果，如下所示：

仅导入设置种子和初始化种子值所需的库

import tensorflow as tf
import os
import numpy as np
import random

SEED = 0

为所有可能具有随机行为的库初始化种子的函数

def set_seeds(seed=SEED):
    os.environ['PYTHONHASHSEED'] = str(seed)
    random.seed(seed)
    tf.random.set_seed(seed)
    np.random.seed(seed)

Tensorflow

def set_global_determinism(seed=SEED):
    set_seeds(seed=seed)

    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)

# Call the above function with seed value
set_global_determinism(seed=SEED)

重要提示：

请在执行任何其他代码之前调用上述代码由于代码是确定性的，模型训练可能会变慢，因此需要权衡我用不同数量的 epoch 和不同的设置（包括 shuffle=True 的 model.fit()）进行了多次实验，上面的代码给出了可重现的结果。

参考资料：

html

【讨论】：

根据docs.nvidia.com/deeplearning/frameworks/…，设置TF_DETERMINISTIC_OPS=1就足够了。它将自行启用 TF_CUDNN_DETERMINISTIC。【参考方案5】：

由于 CuDNN 中的底层实现问题，这些答案似乎都不起作用。

你可以通过添加一个额外的标志来获得更多的确定性

os.environ['PYTHONHASHSEED']=str(SEED)
os.environ['TF_CUDNN_DETERMINISTIC'] = '1'  # new flag present in tf 2.0+
random.seed(SEED)
np.random.seed(SEED)
tf.set_random_seed(SEED)

但这仍然不是完全确定的。要获得更精确的解决方案，您需要使用此 nvidia repo 中概述的过程。

【讨论】：

需要注意的是，在进程内设置PYTHONHASHSEED没有任何作用——它需要在进程本身之外设置，或者脚本必须打开一个预先设置了该环境变量的新进程。跨度> 【参考方案6】：

请在您的代码前添加所有随机种子函数：

tf.reset_default_graph()
tf.random.set_seed(0)
random.seed(0)
np.random.seed(0)

我认为，TensorFlow 中的一些模型正在使用 numpy 或 python 随机函数。

【讨论】：

【参考方案7】：

我正在使用 TensorFlow 2 (2.2.0)，并且正在 JupyterLab 中运行代码。我已经在 macOS Catalina 和 Google Colab 中对此进行了测试，结果相同。我会在Tensorflow Support's答案中添加一些东西。

当我使用 model.fit() 方法进行一些训练时，我会在一个单元格中进行。我在其他牢房里做一些其他的事情。这是我在提到的单元格中运行的代码：

# To have same results always place this on top of the cell
tf.random.set_seed(1)

(x_train, y_train), (x_test, y_test) = load_data_onehot_grayscale()
model = get_mlp_model_compiled() # Creates the model, compiles it and returns it

history = model.fit(x=x_train, y=y_train,
                    epochs=30,
                    callbacks=get_mlp_model_callbacks(),
                    validation_split=.1,
                   )

这是我的理解：

tf.random.set_seed(1)

model = get_mlp_model_compiled()

get_mlp_model_compiled()

我可能有一些信息有误，请随时纠正我。

要了解发生了什么，您应该阅读the docs，它们并不长且易于理解。

【讨论】：

【参考方案8】：

此答案是对Luke's answer 和 TF v2.2.0 的补充

import numpy as np
import os
import random
import tensorflow as tf # 2.2.0

SEED = 42
os.environ['PYTHONHASHSEED']=str(SEED)
os.environ['TF_CUDNN_DETERMINISTIC'] = '1'  # TF 2.1
random.seed(SEED)
np.random.seed(SEED)
tf.random.set_seed(SEED)

【讨论】：

使用TF_CUDNN_DETERMINISTIC 会破坏带有 tf 2.3.0 的笔记本，不知道为什么。这让我在我的代码中直接调试了 2 天！不要使用这个。

以上是关于如何使用 TensorFlow 获得稳定的结果，设置随机种子的主要内容，如果未能解决你的问题，请参考以下文章

如何高效的学习 TensorFlow 代码

Tensorflow model.evaluate 给出的结果与从训练中获得的结果不同

如何高效的学习 TensorFlow 代码

如何在保持相同形状和尺寸的同时获得 tensorflow 数据集中的最大值？

如何在稳定的基线中获得 action_propability() 3

将随机值从数组复制到对象无法获得稳定的结果