تهيئة العشوائية لتشغيلات قابلة للتكرار
تخلّص من «انقر هنا» كي تُقرأ الروابط بوضوح بمفردها.
تهيئة العشوائية لتشغيلات قابلة للتكرار درس مجاني في MLOps Academy على CoddyKit. هذا هو الدرس 3 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في MLOps Academy، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة MLOps Academy 4 دروس في المجموع.
بعض أجزاء هذا الدرس لم تُترجم بعد وتظهر باللغة الإنجليزية.
Why Runs Differ
ML uses randomness for shuffling, splits, and weight init. Run twice and you get two different models. Seeding makes randomness repeatable. 🎲
What a Seed Is
A seed is a starting number for the random generator. Same seed in means the same sequence of random numbers out.
Seed Pure Python
Python's own random module needs random.seed so any shuffling in plain Python becomes reproducible.
import random
random.seed(42)Seed NumPy
Most data work flows through NumPy, so set np.random.seed to fix array shuffles and sampling.
import numpy as np
np.random.seed(42)Seed PyTorch
Deep learning init and dropout pull from PyTorch's generator, so call torch.manual_seed before building your model.
import torch
torch.manual_seed(42)Do Not Forget the GPU
CUDA has its own random state, so seed it separately. cuda.manual_seed_all covers every GPU device at once.
torch.cuda.manual_seed_all(42)Seed scikit-learn Splits
Pass random_state to functions like train_test_split so the same rows land in the same split every run.
train_test_split(X, y, random_state=42)One Helper to Rule Them
Bundle every seed call into a single set_seed function. Call it once at startup so nothing gets forgotten.
def set_seed(s):
random.seed(s)
np.random.seed(s)
torch.manual_seed(s)Force Deterministic Kernels
Some GPU kernels stay random even after seeding. Turn on deterministic mode in PyTorch to force repeatable math.
torch.use_deterministic_algorithms(True)Log the Seed
Always record the seed value you used alongside the run. A result you cannot reproduce is a result you cannot trust.
Reproducible, Not Identical Hardware
Even with seeds, results can shift across different hardware or library versions. Pin those too for true repeatability.
Quick Check
You seeded Python and NumPy but your PyTorch model still varies. What did you miss?
Recap
You learned to seed every source of randomness, Python, NumPy, PyTorch, CUDA, and sklearn, then log the seed for repeatable runs. 🔁
الأسئلة الشائعة
هل درس «تهيئة العشوائية لتشغيلات قابلة للتكرار» مجاني؟
نعم — نص درس «تهيئة العشوائية لتشغيلات قابلة للتكرار» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة MLOps Academy، انتقل إلى CoddyKit PRO. تتضمن دورة MLOps Academy 4 دروس في المجموع.
ماذا ستتعلم في «تهيئة العشوائية لتشغيلات قابلة للتكرار»؟
تخلّص من «انقر هنا» كي تُقرأ الروابط بوضوح بمفردها. تتمرن على MLOps Academy مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ MLOps Academy؟
لا تُشترط خبرة سابقة. MLOps Academy على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 3 من أصل 4.
كم من الوقت يستغرق درس «تهيئة العشوائية لتشغيلات قابلة للتكرار»؟
معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.
هل يمكنني كتابة وتشغيل أكواد في درس MLOps Academy هذا؟
نعم. كل درس في MLOps Academy يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.
جميع الدروس في هذه الدورة
- تثبيت الاعتماديات باستخدام requirements.txt
- عزل المشاريع باستخدام البيئات الافتراضية
- تهيئة العشوائية لتشغيلات قابلة للتكرار
- حفظ إعدادات التشغيل كاملة