العشوائية وقابلية الإعادة والاستئناف

import torch
from torch import nn
generator = torch.Generator(device="cpu").manual_seed(17)
first = torch.rand(4,generator=generator,dtype=torch.float64,device="cpu")
state = generator.get_state()
next_a = torch.rand(3,generator=generator,dtype=torch.float64,device="cpu")
generator.set_state(state)
next_b = torch.rand(3,generator=generator,dtype=torch.float64,device="cpu")
dropout = nn.Dropout(p=1.0)
values = torch.ones(3,dtype=torch.float64,device="cpu")
dropout.train()
training = dropout(values)
dropout.eval()
evaluation = dropout(values)
print("same next draws", torch.equal(next_a,next_b))
print("first draw count", first.numel())
print("mode outputs", training.tolist(), evaluation.tolist())

same next draws True
first draw count 4
mode outputs [0.0, 0.0, 0.0] [1.0, 1.0, 1.0]

يعرف استرجاع المولد توقع السحب التالي في البيئة نفسها، ويكشف احتمال إسقاط واحد سلوك الوضع دون طباعة قيم عشوائية. لم ينفذ مولد torch أو وحدته.

import random
generator = random.Random(17)
first = [generator.random() for _ in range(4)]
state = generator.getstate()
next_a = [generator.random() for _ in range(3)]
generator.setstate(state)
next_b = [generator.random() for _ in range(3)]
print("same next draws", next_a == next_b)
print("first draw count", len(first))
print("all in unit interval", all(0.0 <= value < 1.0 for value in first))

same next draws True
first draw count 4
all in unit interval True

يفحص مثال مولد Python المنفذ متابعة حالته هو فقط. ولا يفترض أن تسلسله يطابق PyTorch أو أي مولد آخر.