實(shí)踐：PyTorch 數(shù)據(jù)集隨機(jī)值

一個(gè)快捷的解決方案：

def worker_init_fn(worker_id):
    worker_seed = torch.initial_seed() % 2**32
    np.random.seed(worker_seed)
    random.seed(worker_seed)

ds = DataLoader(ds, 10, shuffle=False, num_workers=4, worker_init_fn=worker_init_fn)

01 關(guān)于pytorch數(shù)據(jù)集隨機(jī)種子的基本認(rèn)識

在pytorch中random、torch.random等隨機(jī)值產(chǎn)生方法一般沒有問題，只有少數(shù)工人運(yùn)行也可以保障其不同的最終值.

np.random.seed 會(huì)出現(xiàn)問題的原因是，當(dāng)多處理采用 fork 方式產(chǎn)生子進(jìn)程時(shí)，numpy 不會(huì)對不同的子進(jìn)程產(chǎn)生不同的隨機(jī)值.

換言之，當(dāng)沒有多處理使用時(shí)，numpy 不會(huì)出現(xiàn)隨機(jī)種子的不同的問題；實(shí)驗(yàn)代碼的可復(fù)現(xiàn)性要求一個(gè)是工人種子 ,即工人內(nèi)包括numpy，random，torch.random所有的隨機(jī)表現(xiàn)；另一個(gè)是Base ,即程序運(yùn)行后的初始隨機(jī)值，其可以通過以下兩種方式產(chǎn)生

1. torch.manual_seed(base_seed)

2. 由特定的seed generator設(shè)置

generator = torch. Generator()
g.manual_seed(base_seed)
DataLoader(dataset, ..., generator=generator)

使用spawn模式可以斬?cái)嘁陨纤袩?

02 直接在網(wǎng)上搜這個(gè)問題會(huì)得到什么答案

參考很多的解決方案時(shí)，往往會(huì)提出以下功能：

def worker_init_fn(worker_id):
    np.random.seed(np.random.get_state()[1][0] + worker_id)

讓我們看看它的輸出結(jié)果：
（第0，3列是索引，第1，4列是np.random的結(jié)果，第2，5列是random.randint的結(jié)果）

epoch 0
tensor([[    0,  5125, 13588,     0, 15905, 23182],
        [    1,  7204, 19825,     0, 13653, 25225]])
tensor([[    2,  1709, 11504,     0, 12842, 23238],
        [    3,  5715, 14058,     0, 15236, 28033]])
tensor([[    4,  1062, 11239,     0, 10142, 29869],
        [    5,  6574, 15672,     0, 19623, 25600]])
============================================================
epoch 1
tensor([[    0,  5125, 18134,     0, 15905, 28990],
        [    1,  7204, 13206,     0, 13653, 25106]])
tensor([[    2,  1709, 15512,     0, 12842, 29703],
        [    3,  5715, 14201,     0, 15236, 27696]])
tensor([[    4,  1062, 13994,     0, 10142, 23411],
        [    5,  6574, 18532,     0, 19623, 21744]])
============================================================

假設(shè)上述方案對一個(gè)時(shí)代內(nèi)可以防止不同的工人出現(xiàn)隨機(jī)值相同的情況，但不同的時(shí)代之間，其最終的隨機(jī)種子仍然是不變的。

03 那應(yīng)該如何解決

來自pytorch官方的解決方案：

https://github.com/pytorch/pytorch/pull/56488#issuecomment-825128350

def worker_init_fn(worker_id):
    worker_seed = torch.initial_seed() % 2**32
    np.random.seed(worker_seed)
    random.seed(worker_seed)
 
ds = DataLoader(ds, 10, shuffle=False, num_workers=4, worker_init_fn=worker_init_fn)

來自numpy.random原作者的解決方案：

https://github.com/pytorch/pytorch/issues/5059#issuecomment-817392562

def worker_init_fn(id):
    process_seed = torch.initial_seed()
    # Back out the base_seed so we can use all the bits.
    base_seed = process_seed - id
    ss = np.random.SeedSequence([id, base_seed])
    # More than 128 bits (4 32-bit words) would be overkill.
    np.random.seed(ss.generate_state(4))
 
ds = DataLoader(ds, 10, shuffle=False, num_workers=4, worker_init_fn=worker_init_fn)

一個(gè)更簡單但不保證正確性的解決方案：

def worker_init_fn(worker_id):
    np.random.seed((worker_id + torch.initial_seed()) % np.iinfo(np.int32).max)

ds = DataLoader(ds, 10, shuffle=False, num_workers=4, worker_init_fn=worker_init_fn)

04 附上可運(yùn)行的完整文件

import numpy as np
import random
import torch

# np.random.seed(0)

class Transform(object):
    def __init__(self):
        pass

    def __call__(self, item = None):
        return [np.random.randint(10000, 20000), random.randint(20000,30000)]

class RandomDataset(object):
    def __init__(self):
        pass

    def __getitem__(self, ind):
        item = [ind, np.random.randint(1, 10000), random.randint(10000, 20000), 0]
        tsfm =Transform()(item)
        return np.array(item + tsfm)
    def __len__(self):
        return 20

from torch.utils.data import DataLoader

def worker_init_fn(worker_id):
    np.random.seed(np.random.get_state()[1][0] + worker_id)

ds = RandomDataset()
ds = DataLoader(ds, 10, shuffle=False, num_workers=4, worker_init_fn=worker_init_fn)

for epoch in range(2):
    print("epoch {}".format(epoch))
    np.random.seed()
    for batch in ds:
        print(batch)