参考:https://blog.csdn.net/qq_45062768/article/details/133852543
https://blog.csdn.net/qq_45062768/article/details/133204618
yolov7的
import pkg_resources as pkg
def check_version(current='0.0.0', minimum='0.0.0', name='version ', pinned=False, hard=False, verbose=False):
# Check version vs. required version
current, minimum = (pkg.parse_version(x) for x in (current, minimum))
result = (current == minimum) if pinned else (current >= minimum) # bool
return result
def set_seeds(seed=0, deterministic=False):
# Initialize random number generator (RNG) seeds https://pytorch.org/docs/stable/notes/randomness.html
random.seed(seed)
np.random.seed(seed)
torch.manual_seed(seed)
torch.cuda.manual_seed(seed)
torch.cuda.manual_seed_all(seed) # for Multi-GPU, exception safe
# torch.backends.cudnn.benchmark = True # AutoBatch problem https://github.com/ultralytics/yolov5/issues/9287
if deterministic and check_version(torch.__version__, '1.12.0'): # https://github.com/ultralytics/yolov5/pull/8213
torch.use_deterministic_algorithms(True)
torch.backends.cudnn.deterministic = True
os.environ['CUBLAS_WORKSPACE_CONFIG'] = ':4096:8'
os.environ['PYTHONHASHSEED'] = str(seed)
二、开启随机种子设置
在train.py中Ctrl+F搜索init_seeds函数并将其注释,导入set_seeds函数:
# init_seeds(2 + rank)
set_seeds(2 + rank, deterministic=True)
这样随机种子就设置完成,确保每次运行时的随机数生成是可重复的。不过请注意,设置种子只能保证模型在相同的种子值下生成相同的随机数序列,但不能保证模型的训练结果完全相同。(少量数据集下训练结果是完全相同的)。
固定种子
随机种子:
torch.manual_seed(seed) 调用的cpu的种子固定
torch.cuda.manual_seed(seed) 调用的gpu种子固定
torch.cuda.manual_seed_all(seed) 调用的全部gpu种子固定
np.random.seed(seed) 用于固定多线程相关
random.seed(seed)
os.environ['PYTHONHASHSEED'] =str(seed) 固定哈希算法种子,比如set等操作都有涉及,
注意看到的文档说哈希相关调用较早,设置种子的时候可能存在滞后,建议直接export设置
模型训练速度会变慢!
torch.backends.cudnn.deterministic = True 是否使用确定性算法,1.9版本之后被最下面的替代
torch.backends.cudnn.benchmark = False 是否关闭卷积优化,会影响速度
#torch.backends.cudnn.enabled = True 启用或禁用cudnn加速,这个应该不影响啊!
os.environ['CUBLAS_WORKSPACE_CONFIG'] = ':16:8' 这个是cuda10.2之后建议指定,里面的比值也有多种
torch.use_deterministic_algorithms(True) 1.9版本之后的,更为严格