Метод get_state

Метод get_state класса Generator возвращает текущее состояние генератора случайных чисел. Состояние представлено в виде байтового объекта, который можно сохранить в файл или передать в другой процесс. Метод не принимает параметров и возвращает объект типа bytes, содержащий полную информацию о внутреннем состоянии генератора.

Синтаксис

generator.get_state()

Метод не принимает параметров. Возвращает объект bytes с состоянием генератора.

Пример

Давайте получим состояние генератора после создания нескольких случайных чисел:

import torch

# Создаём генератор с фиксированным зерном
g = torch.Generator()
g.manual_seed(42)

# Генерируем несколько случайных чисел
t1 = torch.rand(3, generator=g)
t2 = torch.rand(2, generator=g)

# Получаем текущее состояние
state = g.get_state()
print(type(state))
print(len(state))

Результат выполнения кода:

<class 'bytes'>
2608

Состояние представлено в виде байтового объекта фиксированной длины.

Пример

Покажем, как сохранить состояние и восстановить его в другом генераторе:

import torch

# Создаём генератор и устанавливаем зерно
g1 = torch.Generator()
g1.manual_seed(123)

# Генерируем случайные числа
t1 = torch.rand(3, generator=g1)

# Сохраняем состояние
saved_state = g1.get_state()

# Создаём новый генератор и восстанавливаем состояние
g2 = torch.Generator()
g2.set_state(saved_state)

# Генерируем числа из восстановленного состояния
t2 = torch.rand(3, generator=g2)

print(t1)
print(t2)

Результат выполнения кода:

tensor([0.2963, 0.1265, 0.9492])
tensor([0.2963, 0.1265, 0.9492])

Как видно, оба генератора дают одинаковые числа, так как состояние было полностью восстановлено.

Пример

Покажем, как использовать метод для сохранения состояния в файл:

import torch

# Создаём генератор
g = torch.Generator()
g.manual_seed(777)

# Получаем состояние
state = g.get_state()

# Сохраняем в файл (в реальном коде используйте open)
with open('generator_state.bin', 'wb') as f:
	f.write(state)

# Восстанавливаем состояние из файла
with open('generator_state.bin', 'rb') as f:
	restored_state = f.read()

# Создаём новый генератор и восстанавливаем состояние
g_new = torch.Generator()
g_new.set_state(restored_state)

# Проверяем, что генераторы идентичны
print(torch.rand(2, generator=g))
print(torch.rand(2, generator=g_new))

Результат выполнения кода:

tensor([0.3179, 0.1033])
tensor([0.3179, 0.1033])

Смотрите также

метод set_state,
который восстанавливает состояние генератора из байтового объекта
метод manual_seed,
который устанавливает начальное состояние генератора
метод initial_seed,
который возвращает начальное зерно генератора
атрибут device,
который возвращает устройство, на котором расположен генератор