Python 建模时， 深度学习模型怎么固定随机种子

在Python中使用深度学习模型时，为了保证实验的复现性和结果的一致性，通常会通过设置随机数生成器的种子来固定随机行为。这是因为许多机器学习库（如TensorFlow、PyTorch等）内部都涉及到随机操作，比如初始化权重时的随机选择。

以下是使用Keras（TensorFlow的一个高级API）和PyTorch示例：

**Keras/TensorFlow：**

import tensorflow as tf
tf.random.set_seed(42)  # 使用固定的种子，这里可以换成你需要的数字

或者在构建模型之前设置全局种子：

np.random.seed(42)
tf.random.set_seed(42)

# 创建模型...

**PyTorch：**

import torch
torch.manual_seed(42)  # 设置CPU的随机种子
torch.backends.cudnn.deterministic = True  # 对于CUDA加速器，开启deterministic模式以增加一致性

每次运行代码时，只要这个种子保持不变，模型的训练过程中的随机部分就会一致。