可重复性

创建于：2018 年 9 月 11 日 | 最后更新于：2025 年 10 月 03 日

在 PyTorch 的不同版本、单个提交或不同平台上，不能保证完全可重复的结果。此外，即使使用相同的种子，结果在 CPU 和 GPU 执行之间也可能无法重现。

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）设置 RNG 的种子

import torch
torch.manual_seed(0)

一些 PyTorch 操作可能在内部使用随机数。例如，torch.svd_lowrank() 就是这样。因此，连续多次调用它，并使用相同的输入参数，可能会得到不同的结果。但是，只要 torch.manual_seed() 在应用程序开始时设置为常量，并且已经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会生成相同的随机数序列。

也可以通过在后续调用之间将 torch.manual_seed() 设置为相同的值来获得使用随机数的运算的相同结果。

Python

对于自定义算子，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依赖于 NumPy，可以使用以下方法设置全局 NumPy RNG 的种子

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

cuDNN 库，由 CUDA 卷积操作使用，可能是应用程序多次执行时非确定性的来源。当调用具有一组新的尺寸参数的 cuDNN 卷积时，可以选择一个功能来运行多个卷积算法，对其进行基准测试以找到最快的算法。然后，在过程的其余部分中，对于相应的尺寸参数集，将一致地使用最快的算法。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，即使在同一台机器上也是如此。

使用 torch.backends.cudnn.benchmark = False 禁用基准测试功能，将导致 cuDNN 确定性地选择算法，可能会以降低性能为代价。

但是，如果您不需要应用程序多次执行时的可重复性，那么如果启用基准测试功能，即 torch.backends.cudnn.benchmark = True，则性能可能会提高。

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 以使用确定性算法而不是非确定性算法（如果可用），并在已知操作是非确定性的（且没有确定性替代方案）时引发错误。

请查看 torch.use_deterministic_algorithms() 的文档以获取受影响操作的完整列表。如果操作未按文档正确执行，或者您需要确定性实现的操作没有确定性实现，请提交问题：pytorch/pytorch#issues

例如，运行非确定性的 CUDA 实现的 torch.Tensor.index_add_() 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 torch.bmm() 使用稀疏密集 CUDA 张量调用时，它通常使用非确定性算法，但是当打开确定性标志时，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')

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 每次运行应用程序时都选择相同的算法，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。后者设置仅控制此行为，而 torch.use_deterministic_algorithms() 将使其他 PyTorch 操作表现出确定性，也是如此。

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_() 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，则将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。但是，没有任何东西可以实际阻止运行此类无效代码。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)，则将用已知值填充未初始化的内存。这将防止这种类型的非确定性行为的可能性。

但是，填充未初始化的内存会降低性能。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，则可以关闭此设置以提高性能。

DataLoader

DataLoader 将根据 多进程数据加载中的随机性 算法重新设置 worker。使用 worker_init_fn() 和 generator 以保持可重复性

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,
)