torch.manual_seed(int seed) 使用原因： 在需要生成随机数的实验中，确保每次运行.py文件时，生成的随机数都是固定的，这样每次实验结果显示也就一致了。 代码演示 无论执行多少次，（注意是一起执行这两行代码），输出的结果都是一样的 若去掉 ...

使用 ： 为CPU中设置种子，生成随机数： torch.manual_seed(number) 为特定GPU设置种子，生成随机数： torch.cuda.manual_seed(number) 为所有GPU设置种子，生成随机数： torch.cuda.manual_seed ...

按上面来得到的随机数不同，加上注释就会得到相同的随机数。 ...

torch.manual_seed(args.seed) #为CPU设置种子用于生成随机数，以使得结果是确定的 代码： 输出：结果不同 代码： 输出：结果相同 代码： 输出：结果不同，但再次运行a，b不变 ...

描述 初始化随机数生成器。 语法 random.seed(a=None, version=2) 参数 a – 生成随机数的种子，可以设置为一个整数（int）。 返回 没有返回值。 示例 设置随机种子 每次运行test.py的输出结果都是一样 ...

https://blog.csdn.net/Answer3664/article/details/99460175 requires_grad=True 要求计算梯度 requires_grad=False 不要求计算梯度 with torch ...

squeeze的用法主要就是对数据的维度进行压缩或者解压。 squeeze() torch.squeeze(a)：去掉a中维数为1的维度。 a.squeeze(N)：去掉特定维度N下维数为1的维度。 b=torch.squeeze(a，N) ：a中去掉指定的维数为1的维度。 unsqueeze ...

　　 _, predited = torch.max(outputs,1) # 此处表示返回一个元组中有两个值，但是对第一个不感兴趣 返回的元组的第一个元素是image data，即是最大的值；第二个元素是label，即是最大的值对应的索引 ...