使用种子对张量流概率进行采样答案

【问题标题】：Using seed to sample in tensorflow-probability使用种子对张量流概率进行采样
【发布时间】：2019-02-11 13:47:23
【问题描述】：

我正在尝试使用 tensorflow-probability 并从一些非常简单的东西开始：

import tensorflow as tf
import tensorflow_probability as tfp

tf.enable_eager_execution()

tfd = tfp.distributions
poiss = tfd.Poisson(0.8)

poiss.sample(2, seed=1)
#> Out: <tf.Tensor: id=3569, shape=(2,), dtype=float32, numpy=array([0., 0.], dtype=float32)>

poiss.sample(2, seed=1)
#> Out: <tf.Tensor: id=3695, shape=(2,), dtype=float32, numpy=array([1., 0.], dtype=float32)>

poiss.sample(2, seed=1)
#> Out: <tf.Tensor: id=3824, shape=(2,), dtype=float32, numpy=array([2., 2.], dtype=float32)>

poiss.sample(2, seed=1)
#> Out: <tf.Tensor: id=3956, shape=(2,), dtype=float32, numpy=array([0., 1.], dtype=float32)>

我以为重复使用相同的种子会得到相同的结果，但不知何故，这不是真的。

我也尝试过不执行eager，但结果仍然无法重现。如果我添加 tf.set_random_seed(12) 之类的内容，也是同样的情况。

我想我缺少一些基本的东西？

对于那些感兴趣的人，我在 Ubuntu 16.04 上运行 Python 3.5.2 与

张量流概率==0.5.0
张量流==1.12.0

【问题讨论】：

标签： tensorflow random tensorflow-probability

【解决方案1】：

对于图形模式下的确定性输出，您需要同时设置图形随机种子 (tf.set_random_seed) 和操作随机种子（示例调用中的 seed=）。

TFv2 中随机采样器的工作原理仍然是sorted out。目前，我最好的理解是您可以在每个调用采样器之前调用tf.set_random_seed，如果您想要确定性输出，并将采样器传递给seed=急于求成。

【讨论】：

感谢您的提示和有用的链接。所以确实对于eager，我必须在每个调用采样器之前调用tf.set_random_seed（我是否将种子传递给采样器并不重要，那么就再现性而言）。
至于图形模式，如果我留在会话中，我需要继续调用tf.set_random_seed。然后，我的后续问题是传递给操作种子的特定整数是否有任何副作用？ IE。如果我将相同的种子传递给多个操作，这有关系吗？也很高兴获得更广泛文档的链接。

【解决方案2】：

现在更简洁了，我们支持 TFP 中的完全确定性随机性。您可以传递一个包含两个整数的元组作为种子，或者传递一个形状为 (2,) 的张量来触发确定性行为。 tfp.random.split_seed 在这里也很重要。

【讨论】：

【解决方案3】：

除了在 mcmc 中为 sample 或 sample_chain 设置种子之外，您可能还需要设置以下内容：

seed = 24
os.environ['TF_DETERMINISTIC_OPS'] = 'true'
os.environ['PYTHONHASHSEED'] = f'{seed}'
np.random.seed(seed)
random.seed(seed)
tf.random.set_seed(seed)

【讨论】：