TensorFlow随机种子细节：重复运行op生不同值的原因与解决方法

问题1：为什么print(sess.run(a))每次生成不同数值？ #

这得从TensorFlow 1.x随机数生成的核心机制说起：

• 你定义的a是同一个随机操作节点，每个带种子的随机操作都会关联一个内部的随机数生成器状态。当你在同一个Session中多次运行这个操作时，每次运行都会推进该生成器的状态（相当于取下一个随机数），结果自然会变化。
• 而print(sess.run(tf.random_uniform([1], seed=1)))每次调用都会创建全新的随机操作节点，每个新节点都带着相同的操作级种子和图级种子，因此每个新节点的随机序列初始状态完全一致，所以每次运行都能得到固定值。
• 至于用新Session（sess1）运行a时，新Session会基于种子重新初始化a关联的随机生成器状态，因此每次运行都是固定值。

问题2：如何在不使用with tf.Session() as sess1:的情况下让它生成固定值？ #

分两种场景给出解决方案：

场景1：每次运行整个脚本时得到固定值 #

调整代码执行顺序，先设置图级种子、创建操作，再启动Session。这样Session初始化时会基于种子正确初始化随机状态，每次启动脚本运行a都会得到固定值：

import tensorflow as tf
# 先设置图级种子
tf.random.set_random_seed(1)
# 创建带操作级种子的随机操作
a = tf.random_uniform([1], seed=1)
# 最后启动Session
sess = tf.Session()
print(sess.run(a))  # 每次运行脚本都会输出相同值

场景2：在同一个Session中多次运行a都得到固定值 #

如果你想在同一个Session里反复运行a都拿到相同结果，可以通过关闭并重新创建Session的方式（不需要with语句），让随机生成器状态重新初始化：

import tensorflow as tf
sess = tf.Session()
tf.random.set_random_seed(1)
a = tf.random_uniform([1], seed=1)

# 第一次运行
print(sess.run(a))
# 关闭当前Session，重新创建
sess.close()
sess = tf.Session()
# 再次运行，得到和第一次相同的值
print(sess.run(a))

另一种替代思路：不要复用a这个操作节点，每次需要固定值时就重新创建带种子的tf.random_uniform操作，这样即使在同一个Session中，每次运行新的操作节点都会得到固定值，就像你之前测试的print(sess.run(tf.random_uniform([1], seed=1)))那样。

内容的提问来源于stack exchange，提问作者Mencia