pytorch中torch.manual_seed()方法如何使用，很多新手对此不是很清楚，为了帮助大家解决这个难题，下面小编将为大家详细讲解，有这方面需求的人可以来学习下，希望你能有所收获。
十多年建站经验， 成都网站制作、成都网站建设、外贸营销网站建设客户的见证与正确选择。创新互联提供完善的营销型网页建站明细报价表。后期开发更加便捷高效，我们致力于追求更美、更快、更规范。
设置CPU生成随机数的种子，方便下次复现实验结果。
torch.manual_seed(seed) → torch._C.Generator
seed (int)– CPU生成随机数的种子。取值范围为[-0x8000000000000000, 0xffffffffffffffff]，十进制是[-9223372036854775808, 18446744073709551615]，超出该范围将触发RuntimeError报错。
返回一个torch.Generator对象。
# test.pyimport torch torch.manual_seed(0)print(torch.rand(1)) # 返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数
每次运行test.py的输出结果都是一样：
tensor([0.4963])
# test.pyimport torchprint(torch.rand(1)) # 返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数
每次运行test.py的输出结果都不相同：
tensor([0.2079])----------------------------------tensor([0.6536])----------------------------------tensor([0.2735])
设置随机种子后，是每次运行test.py文件的输出结果都一样，而不是每次随机函数生成的结果一样：
# test.pyimport torch torch.manual_seed(0)print(torch.rand(1))print(torch.rand(1))
输出：
tensor([0.4963])tensor([0.7682])
可以看到两次打印torch.rand(1)函数生成的结果是不一样的，但如果你再运行test.py，还是会打印：
tensor([0.4963])tensor([0.7682])
但是，如果你就是想要每次运行随机函数生成的结果都一样，那你可以在每个随机函数前都设置一模一样的随机种子：
# test.pyimport torch torch.manual_seed(0)print(torch.rand(1))torch.manual_seed(0)print(torch.rand(1))
输出：
tensor([0.4963])tensor([0.4963])
看完上述内容是否对您有帮助呢？如果还想对相关知识有进一步的了解或阅读更多相关文章，请关注创新互联行业资讯频道，感谢您对创新互联的支持。