0Pricing
MLOps Academy · Leçon

Initialiser l’aléatoire pour des exécutions reproductibles

Contrôlez les graines aléatoires dans NumPy, PyTorch et Python.

Initialiser l’aléatoire pour des exécutions reproductibles est une leçon MLOps Academy gratuite sur CoddyKit. Ceci est la leçon 3 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage MLOps Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours MLOps Academy comprend 4 leçons au total.

Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.

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. 🔁

Questions Fréquemment Posées

La leçon « Initialiser l’aléatoire pour des exécutions reproductibles » est-elle gratuite ?

Oui — le texte complet de « Initialiser l’aléatoire pour des exécutions reproductibles » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours MLOps Academy, passe à CoddyKit PRO. Le cours MLOps Academy comprend 4 leçons au total.

Qu'est-ce que j'apprendrai dans « Initialiser l’aléatoire pour des exécutions reproductibles » ?

Contrôlez les graines aléatoires dans NumPy, PyTorch et Python. Tu pratiques MLOps Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.

Dois-je avoir de l'expérience pour commencer MLOps Academy ?

Aucune expérience préalable n'est requise. MLOps Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 3 sur 4.

Combien de temps prend la leçon « Initialiser l’aléatoire pour des exécutions reproductibles » ?

La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.

Peux-tu écrire et exécuter du code dans cette leçon MLOps Academy ?

Oui. Chaque leçon MLOps Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.

Toutes les leçons de ce cours

  1. Épingler les dépendances avec requirements.txt
  2. Isoler les projets avec des environnements virtuels
  3. Initialiser l’aléatoire pour des exécutions reproductibles
  4. Capturer la configuration complète de l’exécution
← Retour à MLOps Academy