1. 就这几句话👇

import numpy as np
import torch
import random
import os
seed_value = 2020   # 设定随机数种子
np.random.seed(seed_value)
random.seed(seed_value)
os.environ['PYTHONHASHSEED'] = str(seed_value)  # 为了禁止hash随机化，使得实验可复现。
torch.manual_seed(seed_value)     # 为CPU设置随机种子
torch.cuda.manual_seed(seed_value)      # 为当前GPU设置随机种子（只用一块GPU）
torch.cuda.manual_seed_all(seed_value)   # 为所有GPU设置随机种子（多块GPU）
torch.backends.cudnn.deterministic = True
以上代码放在所有使用随机数前就行。我习惯性放在import之后，在做事情前先把随机数设定好，比较安全。
 关于随机数的值设定成多少，好像也没有特别讨论过，都是随便设定。如果有知道的也欢迎告诉我，谢谢😋 
下面进行简单地分析。愿意多看一点的继续，忙的直接粘贴复制上面代码即可。 
上述代码的随机数主要是三个方面的设定。 
1. python 和 numpy 随机数的设定 
np.random.seed(seed_value)
random.seed(seed_value)
os.environ['PYTHONHASHSEED'] = str(seed_value)  # 为了禁止hash随机化，使得实验可复现。
如果读取数据的过程采用了随机预处理(如RandomCrop、RandomHorizontalFlip等)，那么对python、numpy的随机数生成器也需要设置种子。 
2. pytorch 中随机数的设定 
torch.manual_seed(seed_value)     # 为CPU设置随机种子
torch.cuda.manual_seed(seed_value)      # 为当前GPU设置随机种子（只用一块GPU）
torch.cuda.manual_seed_all(seed_value)   # 为所有GPU设置随机种子（多块GPU）
pytorch中，会对模型的权重等进行初始化，因此也要设定随机数种子 
3. Cudnn 中随机数的设定
 cudnn中对卷积操作进行了优化，牺牲了精度来换取计算效率。如果需要保证可重复性，可以使用如下设置： 
torch.backends.cudnn.deterministic = True
另外，也有人提到说dataloder中，可能由于读取顺序不同，也会造成结果的差异。这主要是由于dataloader采用了多线程(num_workers > 1)。目前暂时没有发现解决这个问题的方法，但是只要固定num_workers数目（线程数）不变，基本上也能够重复实验结果。 
2.为代码添加活动模板
 
这么长的代码，每次都要敲一遍，或者粘贴复制也很麻烦。因此，可以在pycharm里面设定一个模板，就可以快捷输入了。大致过程如下： 

 想要细节描述的可以百度 pycharm 活动模板的设定。
 当我要使用这段代码的时候，敲自己定义的快捷字符串就可以了
  
3 MONAI框架随机数设定
 
Monai 对随机数的设定，一行代码就搞定了 
from monai.utils import set_determinism
set_determinism(seed=0)
和pytorch中使用方法是一样的，这个函数就是已经设定好了各种各样的随机数。使用起来更方便。亲测有用。 
会经常分享经典论文的理解和复现。说的再多，会动手才是硬道理。关注我，一起学习，一起成长。 
                    在深度学习训练中，为什么使用同样的代码，就是和别人得到的结果不一样。怎么样才能保证自己每次跑同一个实验得到的结果都是一样的。这就涉及到随机数的设定，代码很短，但是很有用。强烈建议收藏⭐️，或者把这段代码添加进pycharm活动模板即可快速使用~~~~~。1. 就这几句话????import numpy as npimport torchimport randomimport osseed_value = 2020   # 设定随机数种子np.random.seed(seed_valu
				由于在模型训练的过程中存在大量的随机操作，使得对于同一份代码，重复运行后得到的结果不一致。因此，为了得到可重复的实验结果，我们需要对随机数生成器设置一个固定的种子。
许多博客都有介绍如何解决这个问题，但是很多都不够全面，往往不能保证结果精确一致。我经过许多调研和实验，总结了以下方法，记录下来。
全部设置可以分为三部分：
1. CUDNN
cudnn中对卷积操作进行了优化，牺牲了精度来...
				**前言：**最近在构建网络的时候，有一些层参数一样，于是就没有定义新的层，直接重复使用了原来已经有的层，发现效果和模型大小都没有什么变化，心中产生了疑问：定义的网络结构层能否重复使用？因此接下来利用了一个小模型网络实验了一下。
				在深度学习中，处理数据和对模型进行参数初始赋值通常有许多随机性的操作，为了使在同一台设备中能可重复性实验，可以提前在以下几个方面进行设置，保证初始的随机种子（seed）相等。
1、Pytorch
通过torch.manual_seed()来为CPU和CUDA设置其初始的seed
import torch
torch.manual_seed(0)
2、CuDNN
当代码运行在CuDNN的后端，需要执行以下两步操作：
torch.backends.cudnn.deterministic = True
torch.manual_seed(init_seed)
torch.cuda.manual_seed(init_seed)
np.random.seed(init_seed) # 用于numpy的随机数
torch.manual_seed(seed)
为了生成随机数设置种子。返回一个torch.Generator对象
seed (int) – 期望的种子数
torch.cuda.manual_seed(seed)
为当前GPU生成随机数设置种子。如果CUDA不可用，调用该
				在科学技术和机器学习等其他算法相关任务中，我们经常需要用到随机数，为了把握随机数的生成特性，从随机数的随机无序中获得确定和秩序。我们可以利用随机数种子(random seed)来实现这
一目标，随机数种子，可以使得引入了随机数的整个程序，在多次运行中得到确定的，一致的结果。
1. 随机数种子
python自带的random函数：
import random
# print(help(random))
def test_random_seed_in_std_lib(seed=0, cnt...
				问题背景是这样的：
我用了自己定义了pytorch中的模型，并且，在main函数中设置了随机种子用来保证模型初始化的参数是一致的，同时pytorch中的随机种子也能够影响dropout的作用，见链接
为了保证所有的参数都一样，我在设置dataloader的时候，数据并没有进行shuffle，这样能够在每一个iteration的时候，没有random的操作
但是，一旦我把模型放到GPU上运行之...
1. AlexNet：一个经典的卷积神经网络模型。
2. VGG：一系列深度卷积神经网络模型，具有不同的层数和参数量。
3. ResNet：使用残差块来解决深度网络训练中的梯度消失问题。
4. Inception：使用多个不同大小的卷积核和池化核来提取特征。
5. DenseNet：使用密集连接来提高特征传递效率。
6. MobileNet：专门设计用于移动设备的轻量级模型。
7. U-Net：用于图像分割任务的编码-解码结构。
8. GAN（生成对抗网络）：包括GAN、DCGAN、CycleGAN等，用于生成新的数据样本。
除了这些，还有许多其他模型可供选择。您可以使用`torchvision.models`模块来加载这些预训练模型。