尽管由于 GPU 导致无法重现结果，是否应该播种？
Should seeds be seeded despite non-reproducible results due to GPU?
我想在 Google Colab (Tensorflow+Keras) 中使用相同的训练数据集使用 GPU 多次训练 CNN 架构，然后使用相同的测试数据集测试这些训练过的模型中的每一个。然后我想确定结果的均值和标准差（准确度）来评估 CNN 的性能。 （我想反复训练 CNN 架构，因为 GPU 无法产生可重现的结果）。
我想知道我是否应该在每个种子上放不同的种子 运行 至少稍微限制一下随机性？
到目前为止，我已经设置了以下种子，它们的值与 运行 运行 不同，除了 os.environ['PYTHONHASHSEED']='0'，我不确定是否应该把它放在全部？
import os
import numpy as np
import tensorflow as tf
import random as rn
os.environ['PYTHONHASHSEED']='0'
np.random.seed(1)
rn.seed(2)
tf.set_random_seed(1)
你怎么看？我应该设置种子还是不设置任何种子？
设置种子是没有用的，除非你想得到完美可重现的结果。由于这似乎不是您的目标，我建议您不要设置任何种子。
我假设您想获得模型性能的数字或置信区间。在这种情况下，您希望性能能够解释所有随机性来源：初始化、数据改组、非确定性操作等。这意味着您应该让种子保持随机性。
将种子设置为常量值可能不会使您的模型立即具有确定性。然而，至少，它应该使你的权重初始化确定性，这通常对最终性能有重大影响，即是随机性的主要来源。如果您正在执行一些细粒度实验，我建议只修复您 seeds/initializations 并且您会期望由于随机初始化效果而难以看到性能改进的效果。
我想在 Google Colab (Tensorflow+Keras) 中使用相同的训练数据集使用 GPU 多次训练 CNN 架构，然后使用相同的测试数据集测试这些训练过的模型中的每一个。然后我想确定结果的均值和标准差（准确度）来评估 CNN 的性能。 （我想反复训练 CNN 架构，因为 GPU 无法产生可重现的结果）。
我想知道我是否应该在每个种子上放不同的种子 运行 至少稍微限制一下随机性？
到目前为止，我已经设置了以下种子，它们的值与 运行 运行 不同，除了 os.environ['PYTHONHASHSEED']='0'，我不确定是否应该把它放在全部？
import os
import numpy as np
import tensorflow as tf
import random as rn
os.environ['PYTHONHASHSEED']='0'
np.random.seed(1)
rn.seed(2)
tf.set_random_seed(1)
你怎么看？我应该设置种子还是不设置任何种子？
设置种子是没有用的，除非你想得到完美可重现的结果。由于这似乎不是您的目标，我建议您不要设置任何种子。
我假设您想获得模型性能的数字或置信区间。在这种情况下，您希望性能能够解释所有随机性来源：初始化、数据改组、非确定性操作等。这意味着您应该让种子保持随机性。
将种子设置为常量值可能不会使您的模型立即具有确定性。然而，至少，它应该使你的权重初始化确定性，这通常对最终性能有重大影响，即是随机性的主要来源。如果您正在执行一些细粒度实验，我建议只修复您 seeds/initializations 并且您会期望由于随机初始化效果而难以看到性能改进的效果。