如何使用TensorFlow获得稳定的结果，设置随机种子

我正在尝试使用不同的参数多次运行神经网络，以便校准网络参数（辍学概率，学习率ed）。但是我遇到的问题是，当我按如下所示循环运行网络时，在保持参数不变的情况下运行网络仍然为我提供了不同的解决方案：

filename = create_results_file()
for i in range(3):
  g = tf.Graph()
  with g.as_default():
    accuracy_result, average_error = network.train_network(
        parameters, inputHeight, inputWidth, inputChannels, outputClasses)
    f, w = get_csv_writer(filename)
    w.writerow([accuracy_result, "did run %d" % i, average_error])
    f.close()

在设置网络的层和错误功能之前，我在train_network函数的开头使用了以下代码：

np.random.seed(1)
tf.set_random_seed(1)

我还尝试在TensorFlow图形创建之前添加此代码，但是在结果输出中我会不断获得不同的解决方案。

我正在使用AdamOptimizer并使用初始化网络权重tf.truncated_normal。另外，我正在使用np.random.permutation随机播放每个时期的传入图像。

设置当前TensorFlow随机种子仅影响当前默认图。由于您正在为训练创建一个新图并将其设置为默认（with g.as_default():），因此必须在该with块范围内设置随机种子。

例如，您的循环应如下所示：

for i in range(3):
  g = tf.Graph()
  with g.as_default():
    tf.set_random_seed(1)
    accuracy_result, average_error = network.train_network(
        parameters, inputHeight, inputWidth, inputChannels, outputClasses)

请注意，这将为外部for循环的每次迭代使用相同的随机种子。如果您想在每次迭代中使用不同但仍是确定性的种子，则可以使用tf.set_random_seed(i + 1)。

确定性行为可以通过提供图形级或操作级种子来获得。两者都为我工作。可以使用tf.set_random_seed放置图级种子。可以将操作级别的种子放置在例如变量初始化器中，例如：

myvar = tf.Variable(tf.truncated_normal(((10,10)), stddev=0.1, seed=0))

Tensorflow 2.0兼容答案：对于大于2.0的Tensorflow版本，如果我们要设置全局随机种子，则使用的命令为tf.random.set_seed。

如果要从迁移Tensorflow Version 1.x to 2.x，则可以使用以下命令， tf.compat.v2.random.set_seed。

注意 tf.function在这种情况下行为类似于重新运行程序。

要设置“操作级别种子”（如上所示），我们可以使用以下命令， tf.random.uniform([1], seed=1)。

有关更多详细信息，请参阅此Tensorflow页面。

由于CuDNN中潜在的实现问题，这些答案似乎都不起作用。

您可以通过添加额外的标志来获得更多的确定性

os.environ['PYTHONHASHSEED']=str(SEED)
os.environ['TF_CUDNN_DETERMINISTIC'] = '1'  # new flag present in tf 2.0+
random.seed(SEED)
np.random.seed(SEED)
tf.set_random_seed(SEED)

但这仍然不是完全确定的。为了获得更精确的解决方案，您需要使用此nvidia存储库中概述的过程。

请在代码之前添加所有随机种子函数：

tf.reset_default_graph()
tf.random.set_seed(0)
random.seed(0)
np.random.seed(0)

我认为，TensorFlow中的某些模型正在使用numpy或python random函数。

我正在使用TensorFlow 2（2.2.0），并且正在JupyterLab中运行代码。我已经在macOS Catalina和Google Colab中测试了此结果。我将一些东西添加到Tensorflow支持的答案中。

当我使用model.fit（）方法进行一些训练时，我会在单元格中进行训练。我在其他单元格中进行其他处理。这是我在提到的单元格中运行的代码：

# To have same results always place this on top of the cell
tf.random.set_seed(1)

(x_train, y_train), (x_test, y_test) = load_data_onehot_grayscale()
model = get_mlp_model_compiled() # Creates the model, compiles it and returns it

history = model.fit(x=x_train, y=y_train,
                    epochs=30,
                    callbacks=get_mlp_model_callbacks(),
                    validation_split=.1,
                   )

这是我的理解：

1. TensorFlow有一些随机过程发生在不同的阶段（初始化，混洗等），每次这些过程发生时，TensorFlow都会使用随机函数。当您使用设置种子时tf.random.set_seed(1)可以让那些进程使用它，并且如果设置了种子并且进程没有更改，结果将是相同的。
2. 现在，在上面的代码中，如果我更改tf.random.set_seed(1)为低于model = get_mlp_model_compiled()结果行，我相信这是因为get_mlp_model_compiled()使用了随机性，而不是使用了我想要的种子。
3. 关于第2点的警告：如果我连续运行该单元3次，我会得到相同的结果。我相信发生这种情况是因为，在运行1get_mlp_model_compiled()中，我的种子没有使用TensorFlow的内部计数器。在第2次运行中，它将使用种子，所有后续运行也将使用种子，因此在第2次运行后，结果将相同。

我的某些信息可能有误，请随时纠正我。

要了解正在发生的事情，您应该阅读这些文档，它们不那么长且有点易于理解。

此答案是Luke答案和TF v2.2.0的补充

import numpy as np
import os
import random
import tensorflow as tf # 2.2.0

SEED = 42
os.environ['PYTHONHASHSEED']=str(SEED)
os.environ['TF_CUDNN_DETERMINISTIC'] = '1'  # TF 2.1
random.seed(SEED)
np.random.seed(SEED)
tf.random.set_seed(SEED)