可重复性¶

无法保证跨 PyTorch 版本、单个提交或不同平台的结果完全可重复。此外，即使使用相同的种子，CPU 和 GPU 执行之间也可能无法重复结果。

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，您可以配置 PyTorch 以避免对某些操作使用非确定性算法，从而使多次调用这些操作（在相同的输入下）会产生相同的结果。

警告

确定性操作通常比非确定性操作速度慢，因此模型的单次运行性能可能会下降。但是，确定性可能会通过促进实验、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）播种 RNG

import torch
torch.manual_seed(0)

某些 PyTorch 操作可能在内部使用随机数。例如，torch.svd_lowrank() 就会这样做。因此，多次连续调用它（使用相同的输入参数）可能会产生不同的结果。但是，只要在应用程序开始时将 torch.manual_seed() 设置为一个常量，并且消除了所有其他非确定性来源，应用程序每次在相同环境中运行时，就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¶

如果您或您使用的任何库都依赖 NumPy，则可以使用以下方法为全局 NumPy RNG 播种

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播种。

如果您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，了解如何为它们设置一致的种子。

CUDA 卷积基准测试¶

CUDA 卷积操作使用的 cuDNN 库可能是导致应用程序多次执行时出现非确定性的来源。当 cuDNN 卷积被调用时，使用一组新的尺寸参数，一个可选的功能可以运行多种卷积算法，对其进行基准测试以找到最快的算法。然后，在整个过程中，将始终使用最快的算法，对应于该尺寸参数集。由于基准测试噪声和不同的硬件，基准测试可能会在后续运行中选择不同的算法，即使是在同一台机器上。

使用 torch.backends.cudnn.benchmark = False 禁用基准测试功能，会导致 cuDNN 确定性地选择一种算法，这可能会降低性能。

但是，如果您不需要应用程序多次执行之间的可重复性，则如果使用 torch.backends.cudnn.benchmark = True 启用基准测试功能，性能可能会提高。

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

避免使用非确定性算法¶

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

请查看 torch.use_deterministic_algorithms() 的文档，了解受影响的操作的完整列表。如果操作的行为不符合文档，或者您需要对没有确定性实现的操作进行确定性实现，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 张量调用时，它通常使用非确定性算法，但当确定性标志被打开时，将使用它的备用确定性实现。

>>> 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，如果您使用的是 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。后一种设置仅控制此行为，不像 torch.use_deterministic_algorithms() 它也会使其他 PyTorch 操作具有确定性。

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

填充未初始化的内存¶

诸如 torch.empty() 和 torch.Tensor.resize_() 的操作可能会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，将此类张量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。但实际上没有什么可以阻止运行此类无效代码。因此，出于安全考虑，torch.utils.deterministic.fill_uninitialized_memory 默认设置为 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。这将防止发生此类非确定性行为的可能性。

但是，填充未初始化的内存会损害性能。因此，如果您的程序有效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提高性能。

DataLoader¶

DataLoader 将按照多进程数据加载中的随机性算法重新播种 worker。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,
)