Tetapkan Keacakan untuk Proses yang Dapat Diulang
Kendalikan seed acak di NumPy, PyTorch, dan Python.
Tetapkan Keacakan untuk Proses yang Dapat Diulang adalah pelajaran MLOps Academy gratis di CoddyKit. Ini adalah pelajaran 3 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar MLOps Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus MLOps Academy mencakup 4 pelajaran total.
Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.
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. 🔁
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Tetapkan Keacakan untuk Proses yang Dapat Diulang” gratis?
Ya — teks lengkap “Tetapkan Keacakan untuk Proses yang Dapat Diulang” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus MLOps Academy, upgrade ke CoddyKit PRO. Kursus MLOps Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Tetapkan Keacakan untuk Proses yang Dapat Diulang”?
Kendalikan seed acak di NumPy, PyTorch, dan Python. Kamu berlatih MLOps Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai MLOps Academy?
Tidak diperlukan pengalaman sebelumnya. MLOps Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 3 dari 4.
Berapa lama pelajaran “Tetapkan Keacakan untuk Proses yang Dapat Diulang” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran MLOps Academy ini?
Ya. Setiap pelajaran MLOps Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Kunci Dependensi dengan requirements.txt
- Pisahkan Proyek dengan Lingkungan Virtual
- Tetapkan Keacakan untuk Proses yang Dapat Diulang
- Catat Konfigurasi Proses Secara Lengkap