案例一：?

import tensorflow as tf tf.set_random_seed(42) sess = tf.InteractiveSession() a = tf.constant([1, 2, 3, 4, 5]) tf.initialize_all_variables().run() a_shuf = tf.random_shuffle(a) print(a.eval()) print(a_shuf.eval()) sess.close()

上述代碼重復運行會產生不一樣的結果

?

import tensorflow as tf tf.set_random_seed(42) sess = tf.InteractiveSession() a = tf.constant([1, 2, 3, 4, 5]) tf.initialize_all_variables().run() a_shuf = tf.random_shuffle(a，seed=42) print(a.eval()) print(a_shuf.eval()) sess.close()

這段代碼產生相同的結果

?

案例二：
?

# using global seed tf.set_random_seed(1) fc1_W = tf.Variable(tf.truncated_normal(shape=(2, 2), mean=0, stddev=1)) fc2_W = tf.Variable(tf.truncated_normal(shape=(2, 2), mean=0, stddev=1))# initialize session with tf.Session() as sess:sess.run(tf.global_variables_initializer())print('\n variables with global seed ')print('round 2.0')print(fc1_W.eval(sess))print(fc2_W.eval(sess))# new session with tf.Session() as sess:sess.run(tf.global_variables_initializer())print('round 2.1')print(fc1_W.eval(sess))print(fc2_W.eval(sess))

第一次運行：
?variables with global seed?
round 2.0
[[-0.89710885 ?0.39287093]
?[ 0.4009913 ?-1.9170585 ]]
[[ 1.2090957 ?-0.13654923]
?[ 1.6384401 ?-0.18959242]]
round 2.1
[[-0.89710885 ?0.39287093]
?[ 0.4009913 ?-1.9170585 ]]
[[ 1.2090957 ?-0.13654923]
?[ 1.6384401 ?-0.18959242]]
第一次與第二次不斷的創建圖，其結果是相同的

第二次運行：
variables with global seed?
round 2.0
[[ 1.1742289 ? 0.03763932]
?[ 0.7202809 ?-0.52002007]]
[[ 1.5818138 ? 0.81615436]
?[ 1.2647419 ?-0.6432518 ]]
round 2.1
[[ 1.1742289 ? 0.03763932]
?[ 0.7202809 ?-0.52002007]]
[[ 1.5818138 ? 0.81615436]
?[ 1.2647419 ?-0.6432518 ]]

第一次運行與第二次運行結果不相同；

結論：只靠tf.set_random_seed是沒有辦法做到消除隨機性 ，該函數可以在一次運行中，創建的多個圖的結果是一樣的; 因為從本質上來講，operation-level的初始值是一樣的（因為初始化一次被多個圖使用），而graph-level的隨機種子相同，所以對于不同的圖而言，不存在隨機性；

隨機性由兩個隨機種子確認（Operations that rely on a random seed actually derive it from two seeds: the graph-level and operation-level seeds來自 于tensorflow官網）

?

總結

以上是生活随笔為你收集整理的tensorflow随机性设置的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。