TensorFlow 固定随机种子实现可复现训练

TensorFlow 中的随机性来源

在使用 TensorFlow 构建神经网络时，存在多种引入随机性的机制。例如，权重参数的随机初始化通常采用正态分布（如 tf.random_normal([m,n])）或均匀分布（如 tf.random_uniform([m,n])）。此外，在从 tfrecord 文件读取训练数据时，系统默认会对数据进行随机打乱处理，这进一步增加了训练过程的随机性。

由于上述随机操作的存在，即便输入数据完全相同，每次运行训练程序得到的结果也可能不同。若希望确保每次训练的结果保持一致，需要采取特定措施来控制随机性。

固定随机种子的实现方法

解决这一问题的核心方法是在程序初始化阶段固定随机数种子。通过设置全局随机种子，可以确保所有依赖随机数的操作（包括参数初始化和数据预处理）遵循相同的随机序列。

tf.set_random_seed(1)

以上即为在 TensorFlow 中通过固定随机种子实现训练结果可复现的完整方案。该方法简单有效，适用于需要严格复现实验结果的场景。