为何设置seed后tf.random_uniform仍返回不同结果？

在TensorFlow旧版本的计算图模式里，probability_all不是存储固定值的容器，而是一个生成随机数的操作节点。

每次调用.eval()（和sess.run(probability_all)作用完全一致），都会触发这个节点执行一次，重新生成一组随机数。

你设置的seed=11是用来固定随机数生成器的初始状态，它能保证同一会话里按相同顺序执行这个节点时，生成的随机数序列是固定的，但不是每次调用都返回同一个值——第一次调用取序列里的前5个值，第二次取接下来的5个，第三次再取后面的5个，所以三次结果不一样。

如果想每次调用都拿到相同结果，有两种常用方法：

• 把生成的随机数存入变量，初始化后就不再重新生成：

batch_size = 5
probability_all = tf.random_uniform((batch_size,), minval=0.0, maxval=1.0, dtype=tf.float32, seed=11)
prob_var = tf.Variable(probability_all)
with tf.Session() as sess:           
    sess.run(tf.global_variables_initializer())
    print(prob_var.eval())
    print(prob_var.eval())
    print(prob_var.eval())

• 先执行一次把结果存到普通变量里，之后重复打印这个变量：

batch_size = 5
probability_all = tf.random_uniform((batch_size,), minval=0.0, maxval=1.0, dtype=tf.float32, seed=11)
with tf.Session() as sess:           
    prob_val = probability_all.eval()
    print(prob_val)
    print(prob_val)
    print(prob_val)

内容的提问来源于stack exchange，提问作者xuhai