Случайность между перезапусками ядра Jupyter

Проблема: В настоящее время я работаю над кластеризацией данных и обнаружил странное поведение в своих ноутбуках Jupyter. Все семена зафиксированы. Многократное выполнение части или всего кода дает стабильные результаты. Перезапуск ядра приводит к изменению результатов. В любом случае эти новые результаты стабильны, пока активно ядро.

import numpy as np
import random, os

# Fix Seeds
def fix_seeds(seed=1234):
    random.seed(seed)
    np.random.seed(seed)

# In case the modules do something on import
fix_seeds()

# Other imports (Only depending on random and/or numpy)

Итак, мой вопрос: Как или в какой момент вводится эта случайность и как это исправить?

Сомневаюсь, что это связано с копированием файла. Если вы завершаете работу ядра и перезапускаете его, он по-прежнему дает те же результаты?

Thomas 13.05.2022 11:41

Да, я пробовал это несколько раз. Кажется, что переименование файла (добавление тега «копировать») является соответствующей разницей.

MyNameIsFu 13.05.2022 11:44

Хорошо, я только что проверил переименование файла... разные кластеры.

MyNameIsFu 13.05.2022 11:44

Какую версию Python вы используете? Порядок диктов гарантируется только с версии 3.7. В более ранних версиях порядок может отличаться в зависимости от сеанса. Но если перезапуск ядра не влияет на результаты или вы используете Python 3.7+, то это должно быть что-то другое.

Thomas 13.05.2022 11:46

Я использую Python 3.8.8 и ipykernel 5.3.4.

MyNameIsFu 13.05.2022 11:47

Хм, тогда я не знаю. Вам нужно создать минимальный автономный пример, который воспроизводит проблему. Не забудьте указать точные версии ваших пакетов (например, вывод pip freeze).

Thomas 13.05.2022 11:48

Предоставьте достаточно кода, чтобы другие могли лучше понять или воспроизвести проблему.

Community 13.05.2022 12:45
Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
0
7
33
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

По-видимому, Python> = 3.3 использует случайное хэш-семя, чтобы избежать атак столкновений. Исправление этого семени (например, выполнение PYTHONHASHSEED=0 python3 <file>.py) решает мою проблему. То же самое касается ядер. При запуске они также генерируют Hash-Seed.

Источник: https://docs.python.org/3/using/cmdline.html#envvar-PYTHONHASHSEED

Другие вопросы по теме