5、TORCH.RANDOM

torch.random.fork_rng(devices=None, enabled=True, _caller='fork_rng', _devices_kw='devices')

分叉 RNG，以便当您返回时，RNG 会重置为之前的状态。

Parameters

1、devices (iterable of CUDA IDs)——要为其分叉 RNG 的 CUDA 设备。 CPU RNG 状态总是分叉的。 默认情况下，fork_rng() 在所有设备上运行，但如果你的机器有很多设备，它会发出警告，因为在这种情况下这个函数会运行得很慢。 如果你明确指定设备，这个警告将被抑制

2、enabled (bool)  – 如果为 False，则 RNG 不会分叉。 这是一个方便的参数，可以轻松禁用上下文管理器，而无需删除它并取消缩进它下的 Python 代码。

 

torch.random.get_rng_state()

将随机数生成器状态作为 torch.ByteTensor 返回。

 

torch.random.initial_seed()

以 Python long 形式返回用于生成随机数的初始种子。

 

torch.random.manual_seed(seed)

设置生成随机数的种子。 返回一个 torch.Generator 对象。

Parameters

seed (int) – 所需的种子。 值必须在包含范围 [-0x8000_0000_0000_0000, 0xffff_ffff_ffff_ffff] 内。 否则，将引发 RuntimeError。 使用公式 0xffff_ffff_ffff_ffff + 种子将负输入重新映射为正值。

 

torch.random.seed()

将生成随机数的种子设置为非确定性随机数。 返回用于种子 RNG 的 64 位数字。

 

torch.random.set_rng_state(new_state)

设置随机数生成器状态。

Parameters

new_state (torch.ByteTensor) – 所需的状态