可复现性¶

在不同的 PyTorch 版本、单个提交或不同平台上，不能保证完全可复现的结果。此外，即使使用相同的种子，CPU 和 GPU 执行之间的结果也可能无法复现。

但是，您可以采取一些步骤来限制特定平台、设备和 PyTorch 版本的非确定性行为来源的数量。首先，您可以控制随机性的来源，这些来源会导致应用程序的多次执行表现不同。其次，您可以将 PyTorch 配置为避免对某些操作使用非确定性算法，以便在给定相同输入的情况下，对这些操作的多次调用将产生相同的结果。

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。但是，确定性可以通过促进实验、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）的 RNG 设置种子

import torch
torch.manual_seed(0)

某些 PyTorch 操作可能会在内部使用随机数。例如，torch.svd_lowrank() 就会这样做。因此，使用相同的输入参数连续多次调用它可能会得到不同的结果。但是，只要在应用程序开始时将 torch.manual_seed() 设置为常量，并且消除了所有其他非确定性来源，则每次在相同环境中运行应用程序时，都会生成相同的随机数序列。

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

Python¶

对于自定义运算符，您可能还需要设置 Python 种子

import random
random.seed(0)

其他库中的随机数生成器¶

如果您或您正在使用的任何库依赖于 NumPy，则可以使用以下代码为全局 NumPy RNG 设置种子

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

但是，某些应用程序和库可能使用 NumPy 随机数生成器对象，而不是全局 RNG（https://numpy.com.cn/doc/stable/reference/random/generator.html），这些对象也需要一致地设置种子。

如果您正在使用任何其他使用随机数生成器的库，请参阅这些库的文档，以了解如何为它们设置一致的种子。

CUDA 卷积基准测试¶

由 CUDA 卷积操作使用的 cuDNN 库可能是应用程序多次执行之间非确定性的来源。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，在该过程的剩余时间内，将针对相应的尺寸参数集一致地使用最快的算法。由于基准测试噪声和不同的硬件，即使在同一台机器上，基准测试也可能会在后续运行中选择不同的算法。

使用 torch.backends.cudnn.benchmark = False 禁用基准测试功能会导致 cuDNN 确定性地选择算法，但可能会降低性能。

但是，如果您不需要在应用程序的多次执行之间保持可复现性，则启用基准测试功能（torch.backends.cudnn.benchmark = True）可能会提高性能。

请注意，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() 允许您将 PyTorch 配置为在可用时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算法（并且没有确定性替代算法）时抛出错误。

有关受影响操作的完整列表，请参阅 torch.use_deterministic_algorithms() 的文档。如果某个操作没有按照文档正确执行，或者您需要一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 实现将引发错误

>>> 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)'. ...

当使用稀疏密集 CUDA 张量调用 torch.bmm() 时，它通常使用非确定性算法，但当打开确定性标志时，将使用其备用的确定性实现

>>> 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，则应根据 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¶

虽然禁用 CUDA 卷积基准测试（如上所述）可确保 CUDA 在每次运行应用程序时选择相同的算法，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。与 torch.use_deterministic_algorithms() 会使其他 PyTorch 操作也表现出确定性不同，后一种设置仅控制此行为。

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。有关详细信息和解决方法，请参阅 torch.nn.RNN() 和 torch.nn.LSTM()。

填充未初始化的内存¶

torch.empty() 和 torch.Tensor.resize_() 等操作可以返回包含未定义值的未初始化内存的张量。如果需要确定性，则使用此类张量作为另一个操作的输入是无效的，因为输出将是非确定性的。但实际上没有任何东西可以阻止运行此类无效代码。因此，为了安全起见，默认情况下 torch.utils.deterministic.fill_uninitialized_memory 设置为 True，如果设置了 torch.use_deterministic_algorithms(True)，它将使用已知值填充未初始化的内存。这将防止这种非确定性行为的可能性。

然而，填充未初始化的内存不利于性能。因此，如果您的程序有效并且不使用未初始化的内存作为操作的输入，则可以关闭此设置以获得更好的性能。

DataLoader¶

DataLoader 将按照多进程数据加载中的随机性算法重新设定工作进程的种子。使用 worker_init_fn() 和 generator 来保持可重复性

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,
)