Python 使用张量设置特定种子？

我想用一些随机值构建一个图。然后我想用不同的种子来计算这个图。以下是我试图实现的一个示例：

import tensorflow as tf
seed = tf.placeholder(dtype=tf.int32, shape=(), name="seed")
randoms = tf.random_normal(shape=[8], seed=seed)

然后我希望这样做，前两个调用将返回相同的结果：

sess = tf.InteractiveSession()
sess.run(randoms, {seed: 1})
sess.run(randoms, {seed: 1})
sess.run(randoms, {seed: 2})

有什么办法解决这个问题吗？

这可以用

例如：

import tensorflow as tf

seed = tf.placeholder(dtype=tf.int32, shape=[2], name="seed")
randoms = tf.random.stateless_normal(shape=[3], seed=seed)

sess = tf.InteractiveSession()
print(sess.run(randoms, {seed: [1, 0]}))
print(sess.run(randoms, {seed: [1, 0]}))
print(sess.run(randoms, {seed: [2, 0]}))

---

但是，文档中的警告注释：

在同一硬件上（以及CPU和GPU之间）的多个运行中，输出是一致的，但在TensorFlow版本之间或在非CPU/GPU硬件上可能会发生变化

---

随机操作有一个内部随机数生成器，该生成器在创建会话时初始化。TensorFlow需要知道具体的种子值，因此，这些必须是原始Python数，它们不能是稍后计算的张量。据我所知，（目前）没有办法在同一个会话内的随机操作中重新初始化随机数生成器。如果你真的需要这个能力，你可以在C++中实现你自己的随机操作，虽然这是一个不平凡的工作（见）。为什么我只是一个需要这个的人。在许多应用中，在服务时间内，结果需要某种程度上是随机的（探索），但这种随机性需要控制（例如，由客户控制）。在tensorflow之外生成随机数，然后将它们输入到模型中，这让人感到不可思议的愚蠢。但目前这似乎是唯一的办法？除非我用C++来做一些不平凡的工作，否则你会提到：（好的，你可以使用多个种子，但你需要不同的图表，而不仅仅是不同的会话。随机操作使用两个种子，在创建操作时固定，即使你调用

tf。设置\u Random\u seed

以后，上一个操作将不会更改种子。例如，对于

tf.Random\u normal

的输出，请选中

Random.op.inputs[0].op.inputs[0].op.get_attr（'seed'）

和

random.op.inputs[0].op.inputs[0].op.get_attr（'seed2'）

（默认情况下，图形种子和op种子，

0

，表示随机种子，请参见）。这些都不能更改。tf.contrib.stateless模块的存在正是为了实现这一目的：

[ 0.1266503  -0.49301657  0.6311907 ]
[ 0.1266503  -0.49301657  0.6311907 ]
[-0.6394294  -0.18700573 -0.82845527]