tf.random.set_seed

Устанавливает глобальное семя случайных чисел.

tf.random.set_seed(
    seed
)

Операции, которые полагаются на семя случайных чисел, фактически получают его из двух семян: глобального и на уровне операции. Это устанавливает глобальное семя.

Взаимодействие с операциями на уровне операции таково:

1. Если не задано ни глобальное семя, ни семя операции: для этой операции используется случайное семя.
2. Если задано глобальное семя, но не задано семя операции: система детерминированно выбирает семя операции в сочетании с глобальным семенем, чтобы получить уникальную последовательность случайных чисел. В пределах одной версии TensorFlow и кода пользователя эта последовательность детерминирована. Однако в разных версиях эта последовательность может измениться. Если код зависит от конкретных семян для работы, явно укажите глобальное и операционное семена.
3. Если задано семя операции, но не задано глобальное семя: для определения последовательности случайных чисел используются значение по умолчанию для глобального семени и указанное семя операции.
4. Если заданы как глобальное, так и операционное семена: оба семени используются совместно для определения последовательности случайных чисел.

Для иллюстрации видимых пользователю эффектов, рассмотрим эти примеры:

Если ни глобальное семя, ни семя операции не заданы, мы получаем разные результаты для каждого вызова случайной операции и каждого повторного запуска программы:

print(tf.random.uniform([1]))  # generates 'A1'
print(tf.random.uniform([1]))  # generates 'A2'

(теперь закройте программу и запустите ее снова)

print(tf.random.uniform([1]))  # generates 'A3'
print(tf.random.uniform([1]))  # generates 'A4'

Если глобальное семя установлено, но семя операции не установлено, мы получаем разные результаты для каждого вызова случайной операции, но одну и ту же последовательность для каждого повторного запуска программы:

tf.random.set_seed(1234)
print(tf.random.uniform([1]))  # generates 'A1'
print(tf.random.uniform([1]))  # generates 'A2'

(теперь закройте программу и запустите ее снова)

tf.random.set_seed(1234)
print(tf.random.uniform([1]))  # generates 'A1'
print(tf.random.uniform([1]))  # generates 'A2'

Причина, по которой мы получаем «A2», а не «A1», при втором вызове tf.random.uniform выше, заключается в том, что второй вызов использует другое семя операции.

Обратите внимание, что tf.function действует как повторный запуск программы в этом случае. Когда глобальное семя задано, но семена операций не заданы, последовательность случайных чисел одинакова для каждого tf.function. Например:

tf.random.set_seed(1234)

@tf.function
def f():
  a = tf.random.uniform([1])
  b = tf.random.uniform([1])
  return a, b

@tf.function
def g():
  a = tf.random.uniform([1])
  b = tf.random.uniform([1])
  return a, b

print(f())  # prints '(A1, A2)'
print(g())  # prints '(A1, A2)'

Если семя операции задано, мы получаем разные результаты для каждого вызова случайной операции, но одну и ту же последовательность для каждого повторного запуска программы:

print(tf.random.uniform([1], seed=1))  # generates 'A1'
print(tf.random.uniform([1], seed=1))  # generates 'A2'

(теперь закройте программу и запустите ее снова)

print(tf.random.uniform([1], seed=1))  # generates 'A1'
print(tf.random.uniform([1], seed=1))  # generates 'A2'

Причина, по которой мы получаем «A2», а не «A1», при втором вызове tf.random.uniform выше, заключается в том, что один и тот же ядро tf.random.uniform (т.е. внутреннее представление) используется TensorFlow для всех вызовов с одинаковыми аргументами, и ядро поддерживает внутренний счётчик, который увеличивается каждый раз при выполнении, генерируя разные результаты.

Вызов tf.random.set_seed сбросит все такие счётчики:

tf.random.set_seed(1234)
print(tf.random.uniform([1], seed=1))  # generates 'A1'
print(tf.random.uniform([1], seed=1))  # generates 'A2'
tf.random.set_seed(1234)
print(tf.random.uniform([1], seed=1))  # generates 'A1'
print(tf.random.uniform([1], seed=1))  # generates 'A2'

Когда несколько идентичных случайных операций заключены в tf.function, их поведение меняется, поскольку операции больше не разделяют один и тот же счётчик. Например:

@tf.function
def foo():
  a = tf.random.uniform([1], seed=1)
  b = tf.random.uniform([1], seed=1)
  return a, b
print(foo())  # prints '(A1, A1)'
print(foo())  # prints '(A2, A2)'

@tf.function
def bar():
  a = tf.random.uniform([1])
  b = tf.random.uniform([1])
  return a, b
print(bar())  # prints '(A1, A2)'
print(bar())  # prints '(A3, A4)'

Второй вызов foo возвращает «(A2, A2)», а не «(A1, A1)», потому что tf.random.uniform поддерживает внутренний счётчик. Если вы хотите, чтобы foo возвращал «(A1, A1)» каждый раз, используйте бессостоятельные случайные операции, такие как tf.random.stateless_uniform. Также см. tf.random.experimental.Generator для нового набора состоятельных случайных операций, которые используют внешние переменные для управления своим состоянием.