为什么在设置Tensorflow图形级种子后，随机值在同一会话中具有不同的值？
在设置Tensorflow图形级种子后，随机值在同一会话中具有不同的值的原因是因为Tensorflow的随机操作是通过计算图中的操作来生成的。当设置了图形级种子后，只会保证每次运行计算图时生成的随机数序列是一致的，但不同的会话之间仍然是独立的。
具体来说，Tensorflow中的随机操作是通过伪随机数生成器实现的，该生成器使用种子来确定生成的随机数序列。在同一会话中，如果设置了相同的图形级种子，那么每次运行计算图时生成的随机数序列都是相同的。但是，不同的会话会使用不同的计算资源，例如不同的CPU或GPU，这会导致随机数生成器的状态不同，从而生成不同的随机数序列。
因此，即使在设置了图形级种子的情况下，不同的会话仍然会生成不同的随机数序列。如果需要在同一会话中生成相同的随机数序列，可以使用会话级种子来设置随机数生成器的状态，确保每次运行会话时生成的随机数序列是一致的。
推荐的腾讯云相关产品：腾讯云AI Lab，腾讯云机器学习平台，腾讯云深度学习工具包。
更多信息请参考：
相关·内容
在本教程中，它解释了图形级别的种子和操作级别的种子。令人困惑的是，在设置图形级种子之后，在同一会话中打印相同的变量，但却获得了不同的值，如代码所示：a = tf.rando
浏览 13提问于2019-07-11得票数 0
最近，我正在使用TensorFlow完成一个CNN的实现，我更不想提及这个课程，以避免违反平台规则。我遇到了令人惊讶的结果，我的本地实现与平台服务器上的实现大不相同。经过进一步的调查，我发现问题在于tf.contrib.layers.fully_connected()行为在TensorFlow的1.3-1.4版本之间发生了变化。我收到1.3的警告，在此之前1.4甚至更高：
2018-04-09 23:13:39.95
浏览 2提问于2018-04-09得票数 7
回答已采纳
我遇到了一个问题，当在python上使用Tensorflow编程时，tf.set_random_seed无法生成一个可重复的值。确切地说，sd = 1sess = tf.InteractiveSession然后我再次运行整个代码，它不输出期望值[1.3086201]，而是给出一个新的[-2.1209881]。
为什么<
浏览 1提问于2019-06-15得票数 1
回答已采纳
我试图生成N组独立的随机数。我有一个简单的代码，它显示了3组10个随机数的问题。我注意到，即使我使用tf.set_random_seed来设置种子，不同运行的结果并不相同。(py3p6) bash-3.2$ cat test.py for i in range(3):
tf.set_random_seed(1234)for循环中，是因为我希望对它们进行不同
浏览 1提问于2018-07-09得票数 23
您是否知道tensorflow中的操作种子是否存在tf.set_random_seed()等效项。
我一直在找它，但找不到。有人知道如何一次为图中的所有操作设置操作种子吗？谢谢你的帮忙!
浏览 1提问于2018-05-07得票数 3
我试图打印一个随机张量和张量后，它的一些尺寸扁平。在扁平张量中，我不能看到与原张量相同的数字。为什么会出现这种行为。也许我没有用tensorflow图形的方式使用它。但这是非常不直观的。在这个案子的幕后发生了什么。
浏览 2提问于2018-05-12得票数 0
回答已采纳
我在研究神经网络的超参数优化。我运行了20个时代的模型。在计算出最佳的超参数之后，我再次单独运行相同的模型(现在没有超参数优化)，但是得到了不同的结果。不仅如此，我还发现执行超参数优化时所达到的值(精度)发生在最后一个时期(第20次)。另一方面，当我再次运行相同的模型时，我发现所达到的精度直到200个时代才达到。然而，这些数值略低一些。以下是数字：因此，我想知道在那个时
浏览 1提问于2018-09-14得票数 1
回答已采纳
我在python中有两个tensorflow程序，差别很小，但是两个程序的总重量和偏差是相同的。import tensorflow as tf
initial = tf.truncated_normal(shape, stddev=tf.InteractiveSession()r = W
浏览 6提问于2017-09-25得票数 0
回答已采纳
通过使用tf.set_random_seed(1234)设置随机种子，我可以准确地重复训练运行，到目前为止还不错。然而，当在图中引入额外的变量时，我注意到了轻微的偏差。在下面的示例中，B和C产生的损失完全相同，但A给出的损失略有不同(但不是全部)。值得注意的是，在C版本中，intermediate_tensor没有附加到任何东西上。有没有可能随机数生成器受到<em
浏览 1提问于2018-08-20得票数 2
我尝试用不同的参数多次运行神经网络，以校准网络参数(辍学概率，学习率e.d.)。然而，我有一个问题，在运行网络的同时保持参数不变，当我在循环中运行网络时，仍然给了我一个不同的解决方案，如下所示：for i in rangeget_csv_writer(filename)
w.writerow([accuracy_result, "did run %d" % i, average_error])
浏览 13提问于2016-03-29得票数 89
我正在调查在我的macOS机器上，在Google Colab上，以及在TensorFlow上使用Docker的代码的重现性。我知道我可以设置图形级别的种子和操作级别的种子。，它具有不同的值)，它们的平均值和它们的标准差。请注意，第一次随机抽奖在两个版本中是相
浏览 14提问于2019-02-01得票数 0
使用Tensorflow完成一个项目。然而，我似乎无法复制我的结果。
我尝试过设置图形级种子、非随机种子，甚至操作级种子。然而，它仍然不能被复制。在搜索Google时，大多数人认为reduce_sum函数是罪魁祸首，因为即使在设置种子之后，reduce_sum函数在gpu上仍然具有非确定性属性。还有其他有效<e
浏览 5提问于2017-08-24得票数 12
回答已采纳
2回答
大家好，我是神经网络的新手，我写了一个模型CNN架构Resnet50在训练我的模型之后保存模型，然后加载模型而不用重启运行时得到相同的结果，但是为什么当重启运行时google colab并运行xtrain，ytest，x_val，y_val然后再次加载模型得到不同的结果。下面是我设置参数的代码 #hyperparameter and callbacknum_epochs = 120
input_sh
浏览 51提问于2021-06-24得票数 0
3回答
(注意：正确地修复了每个模型创建之前的RNG状态，如注释中所描述的那样，实际上解决了我的问题，因为在3小数范围内的结果是一致的，但它们并不完全一致，所以在某个地方有一个隐藏的随机性源不是通过播种RNG来修正的为什么？关于修复随机数生成器:我使用TensorFlow后端运行Keras，并在开始时使用以下代码行尝试并为实验目的修复RNG：
浏览 0提问于2017-09-08得票数 13
回答已采纳
5回答
尽管我已经小心地设置了Python和TensorFlow种子，但我还是得到了不可重复的结果。如果我跑一次，然后再跑一次，我会得到不同的结果。我确保实现了所给出的解决方案，但这并没有解决我的问题。
一个常见的错误是没有意识到tf.set_random_seed()只是一个图形级的种子，并且多次运行脚本会改变图形，从而解释不可重复的
浏览 2提问于2016-07-19得票数 16
回答已采纳
似乎最简单的方法是使用keras.backend中的“梯度”，它返回一个梯度张量(https://keras.io/backend/)。我是tensorflow的新手，还不太熟悉它。我得到了梯度张量，并试图得到它在不同输入值(x)下的数值。但似乎梯度值与输入x无关(这不是预期的)，或者我做错了什么。任何帮助或意见都将不胜感激。, 1) dtype=float32>]
[[
浏览 14提问于2019-02-07得票数 4
例如，在IPython笔记本中运行以下几次代码，每次都会产生不同的输出：tf.set_random_seed(42)a_shuf = tf.random_shuffle(a)print(a_shuf.eval())如果我显式地设置了种子</e
浏览 2提问于2016-03-19得票数 17
回答已采纳
我想用相同的训练数据集在Google Colab (Tensorflow+Keras)中用图形处理器多次训练CNN架构，然后用相同的测试数据集测试每个训练过的模型。然后，我想要确定结果的平均值和标准差(准确性)来评估CNN的性能。(我想反复训练CNN架构，因为由于GPU，没有可重现的结果)。
我想知道我是否应该在每次运行中放置不同的种子，以至少限制一点随机性？到目
浏览 39提问于2019-11-05得票数 1
回答已采纳
1回答
我节省了网络初始化的权重和偏差，这样当我得到好的结果时，我就可以重复实验了。然而，辍学的使用在网络中引入了一些随机性:由于辍学单位是随机下降的，每次我重新运行网络时，都会丢弃不同的单元--尽管我以完全相同的权重和偏差初始化网络(如果我正确理解的话)。有什么办法可以让辍学成为决定性的吗？
浏览 0提问于2018-03-08得票数 4
回答已采纳
使用Tensorflow Supervisor编写摘要会重新评估图形，这可能会产生不期望的结果。
这样的结果之一是改变了随机状态，进而影响了可重复性。我已经写了一个小例子来演示这种影响。我定义了两个图，这两个图都具有相同的图级随机种子。在第二张图中，我使用tf.train.Supervisor编写摘要。然后，我通过评估每个图N次来生成N个随机数。带有摘要编写器的图
浏览 7提问于2018-03-14得票数 1
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
