可复现性

创建日期：2018 年 9 月 11 日 | 最后更新日期：2024 年 11 月 26 日

PyTorch 不同版本、不同提交或不同平台之间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 版本中非确定性行为的来源数量。首先，您可以控制可能导致应用程序多次执行行为不同的随机性来源。其次，您可以配置 PyTorch 以避免对某些操作使用非确定性算法，以便对这些操作的多次调用在给定相同输入的情况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慢，因此模型的单次运行性能可能会下降。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)

一些 PyTorch 操作可能会在内部使用随机数。例如，torch.svd_lowrank() 就是如此。因此，使用相同的输入参数多次连续调用它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() 设置为常量，并且消除了所有其他非确定性来源，那么每次在相同环境中运行应用程序时，都将生成相同系列的随机数。

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中获得相同的结果。

Python

对于自定义操作，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，您可以使用以下命令为全局 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 Random Generator 对象，而不是全局 RNG (https://numpy.com.cn/doc/stable/reference/random/generator.html)，这些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，请查阅这些库的文档，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 库可能是在应用程序多次执行中产生非确定性的来源。当使用一组新的大小参数调用 cuDNN 卷积时，一个可选功能可以运行多个卷积算法，对其进行基准测试以找到最快的一个。然后，最快的算法将在其余过程中始终用于相应的大小参数集。由于基准测试噪声和不同硬件，即使在同一台机器上，基准测试也可能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，这可能会以降低性能为代价。

但是，如果您不需要在应用程序的多次执行中复现结果，那么如果使用 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。

避免非确定性算法

torch.use_deterministic_algorithms() 允许您配置 PyTorch，使其在可用时使用确定性算法而不是非确定性算法，并在操作已知为非确定性（且没有确定性替代方案）时抛出错误。

请查看 torch.use_deterministic_algorithms() 的文档，获取受影响操作的完整列表。如果某个操作根据文档没有正确执行，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：pytorch/pytorch#issues

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，但当确定性标志打开时，将使用其替代的确定性实现

>>> 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，您应该根据 CUDA 文档设置环境变量 CUBLAS_WORKSPACE_CONFIG：https://docs.nvda.net.cn/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不确定的，除非设置了 torch.use_deterministic_algorithms(True) 或 torch.backends.cudnn.deterministic = True。后一个设置仅控制此行为，与 torch.use_deterministic_algorithms() 不同，后者也会使其他 PyTorch 操作确定性地运行。

CUDA RNN 和 LSTM

在某些 CUDA 版本中，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

像 torch.empty() 和 torch.Tensor.resize_() 这样的操作可以返回包含未定义值的未初始化内存张量。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。但实际上没有任何东西可以阻止此类无效代码的运行。因此，为了安全起见，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。这将防止此类非确定性行为的可能性。

但是，填充未初始化的内存对性能不利。因此，如果您的程序有效且不将未初始化的内存用作操作的输入，那么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 算法重新设置 worker 种子。使用 worker_init_fn() 和 generator 来保持可复现性

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,
)