什么是随机种子
随机数是通过一些复杂的数学算法得到的，那么 随机种子（Random Seed）就是这些随机数的初始值。
一般计算机里面产生的随机数都是伪随机数。 伪随机数，也是就一个一直不变的数。
随机种子的一些使用特性
-
随机种子的取值范围？
可以是任意数字，如10，1000 -
随机种子的作用范围
np.random.seed(0)
print(np.random.rand(3))
print(np.random.rand(3))
输出:
[0.5488135 0.71518937 0.60276338]
[0.54488318 0.4236548 0.64589411]
再次运行程序，会输出同一组随机数:
[0.5488135 0.71518937 0.60276338]
[0.54488318 0.4236548 0.64589411]
想要在同一个程序中产生同一组随机数，需要在下一个函数前设置一个相同的随机种子
np.random.seed(0)
print(np.random.rand(3))
np.random.seed(0)
print(np.random.rand(3))
输出
[0.5488135 0.71518937 0.60276338]
[0.5488135 0.71518937 0.60276338]
-
为什么需要随机种子？
打个比方，在机器学习，深度学习算法中，我们往往会用到随机向量，随机矩阵，这使得我们每次运行算法计算出来的结果是不一致的，会为我们调试算法带来麻烦。
基于随机种子来实现代码中的随机方法，能够 保证多次运行此段代码能够得到完全一样的结果，即保证结果的 可复现性，这样 别人跑你的代码的时候也能够很好地复现出你的结果。 -
PyTorch 中随机种子的设置方法
在使用 PyTorch 时，如果希望通过设置随机数种子，在 GPU 或 CPU 上固定每一次的训练结果，则需要在程序执行的开始处添加以下代码：
def setup_seed(seed):
torch.manual_seed(seed)
torch.cuda.manual_seed_all(seed)
np.random.seed(seed)
random.seed(seed)
torch.backends.cudnn.deterministic = True
# 设置随机数种子
setup_seed(20)
# 预处理数据以及训练模型
