Zufallswerte für reproduzierbare Läufe festlegen
Steuern Sie Zufalls-Seeds in NumPy, PyTorch und Python.
Zufallswerte für reproduzierbare Läufe festlegen ist eine kostenlose MLOps Academy-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des MLOps Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der MLOps Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
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. 🔁
Häufig gestellte Fragen
Ist die Lektion „Zufallswerte für reproduzierbare Läufe festlegen“ kostenlos?
Ja — der vollständige Text von „Zufallswerte für reproduzierbare Läufe festlegen“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des MLOps Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der MLOps Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Zufallswerte für reproduzierbare Läufe festlegen“?
Steuern Sie Zufalls-Seeds in NumPy, PyTorch und Python. Du übst MLOps Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um MLOps Academy zu starten?
Keine Vorkenntnisse erforderlich. MLOps Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.
Wie lange dauert die Lektion „Zufallswerte für reproduzierbare Läufe festlegen“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser MLOps Academy-Lektion Code schreiben und ausführen?
Ja. Jede MLOps Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Abhängigkeiten mit requirements.txt festschreiben
- Projekte mit virtuellen Umgebungen isolieren
- Zufallswerte für reproduzierbare Läufe festlegen
- Die vollständige Laufkonfiguration erfassen