pytorch - 如何在多次运行中重现 RNN 结果？

Question

我连续两次在相同的输入上调用相同的模型，但没有得到相同的结果，这个模型有 nn.GRU 层，所以我怀疑它有一些内部状态应该是在第二次运行之前发布？

如何重置 RNN 隐藏状态以使其与模型最初加载时相同？

更新:

一些背景:

我正在尝试从这里运行模型:

https://github.com/erogol/WaveRNN/blob/master/models/wavernn.py#L93

我正在调用生成:

https://github.com/erogol/WaveRNN/blob/master/models/wavernn.py#L148

这里实际上有一些使用 pytorch 中的随机生成器的代码:

https://github.com/erogol/WaveRNN/blob/master/models/wavernn.py#L200

https://github.com/erogol/WaveRNN/blob/master/utils/distribution.py#L110

https://github.com/erogol/WaveRNN/blob/master/utils/distribution.py#L129

我已经放置(我正在 CPU 上运行代码):

torch.manual_seed(0)
torch.cuda.manual_seed_all(0)
torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmark = False
np.random.seed(0)

在

https://github.com/erogol/WaveRNN/blob/master/utils/distribution.py

在所有导入之后。

我检查了运行之间的 GRU 权重，它们是相同的:

https://github.com/erogol/WaveRNN/blob/master/models/wavernn.py#L153

此外，我还检查了运行之间的 logits 和 sample，并且 logits 相同，但 sample 不同，所以@Andrew Naguib关于随机种子的说法似乎是正确的，但我不确定修复随机种子的代码应该放在哪里？

https://github.com/erogol/WaveRNN/blob/master/models/wavernn.py#L200

更新2:

我已将种子 init 放入 generate 中，现在结果是一致的:

https://github.com/erogol/WaveRNN/blob/master/models/wavernn.py#L148

Answer 1

我相信这可能与Random Seeding高度相关。为了确保可重复的结果( as stated by them )，您必须像这样播种 torch :

import torch
torch.manual_seed(0)

还有 CuDNN 模块。

torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmark = False

如果您使用numpy，您也可以这样做:

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

但是，他们警告您:

Deterministic mode can have a performance impact, depending on your model.

---

我经常使用的一个建议脚本，它可以很好地重现结果:

# imports
import numpy as np
import random
import torch
# ...
""" Set Random Seed """
if args.random_seed is not None:
    """Following seeding lines of code are to ensure reproducible results 
       Seeding the two pseudorandom number generators involved in PyTorch"""
    random.seed(args.random_seed)
    np.random.seed(args.random_seed)
    torch.manual_seed(args.random_seed)
    # https://pytorch.org/docs/master/notes/randomness.html#cudnn
    if not args.cpu_only:
        torch.cuda.manual_seed(args.random_seed)
        cudnn.deterministic = True
        cudnn.benchmark = False