tf.random.set_random_seed

Устанавливает глобальное для графа случайное семя для стандартного графа.

tf.random.set_random_seed(
    seed
)

Операции, которые полагаются на случайное семя, фактически получают его из двух семян: глобального для графа и локального для операции. Это устанавливает глобальное для графа семя.

Его взаимодействие с локальными семенами операций выглядит следующим образом:

1. Если не установлено ни глобальное для графа, ни локальное для операции семя: для этой операции используется случайное семя.
2. Если установлено глобальное для графа семя, но не установлено локальное семя операции: система детерминированно выбирает локальное семя операции в сочетании с глобальным для графа семенем, чтобы получить уникальную последовательность случайных чисел.
3. Если не установлено глобальное для графа семя, но установлено локальное семя операции: используется значение по умолчанию для глобального для графа семени и указанное локальное семя операции для определения последовательности случайных чисел.
4. Если установлены и глобальное для графа, и локальное для операции семена: оба семени используются совместно для определения последовательности случайных чисел.

Чтобы проиллюстрировать видимые для пользователя эффекты, рассмотрите эти примеры:

Для генерации разных последовательностей в разных сессиях не устанавливайте ни глобальное для графа, ни локальное для операции семена:

a = tf.random.uniform([1])
b = tf.random.normal([1])

print("Session 1")
with tf.compat.v1.Session() as sess1:
  print(sess1.run(a))  # generates 'A1'
  print(sess1.run(a))  # generates 'A2'
  print(sess1.run(b))  # generates 'B1'
  print(sess1.run(b))  # generates 'B2'

print("Session 2")
with tf.compat.v1.Session() as sess2:
  print(sess2.run(a))  # generates 'A3'
  print(sess2.run(a))  # generates 'A4'
  print(sess2.run(b))  # generates 'B3'
  print(sess2.run(b))  # generates 'B4'

Чтобы сгенерировать одну и ту же повторяющуюся последовательность для операции в разных сессиях, установите семя для операции:

a = tf.random.uniform([1], seed=1)
b = tf.random.normal([1])

# Repeatedly running this block with the same graph will generate the same
# sequence of values for 'a', but different sequences of values for 'b'.
print("Session 1")
with tf.compat.v1.Session() as sess1:
  print(sess1.run(a))  # generates 'A1'
  print(sess1.run(a))  # generates 'A2'
  print(sess1.run(b))  # generates 'B1'
  print(sess1.run(b))  # generates 'B2'

print("Session 2")
with tf.compat.v1.Session() as sess2:
  print(sess2.run(a))  # generates 'A1'
  print(sess2.run(a))  # generates 'A2'
  print(sess2.run(b))  # generates 'B3'
  print(sess2.run(b))  # generates 'B4'

Чтобы сделать повторяющимися последовательности случайных чисел, генерируемые всеми операциями, в разных сессиях, установите семя для графа:

tf.compat.v1.random.set_random_seed(1234)
a = tf.random.uniform([1])
b = tf.random.normal([1])

# Repeatedly running this block with the same graph will generate the same
# sequences of 'a' and 'b'.
print("Session 1")
with tf.compat.v1.Session() as sess1:
  print(sess1.run(a))  # generates 'A1'
  print(sess1.run(a))  # generates 'A2'
  print(sess1.run(b))  # generates 'B1'
  print(sess1.run(b))  # generates 'B2'

print("Session 2")
with tf.compat.v1.Session() as sess2:
  print(sess2.run(a))  # generates 'A1'
  print(sess2.run(a))  # generates 'A2'
  print(sess2.run(b))  # generates 'B1'
  print(sess2.run(b))  # generates 'B2'