[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,64 +2,222 @@
|
||||
id: wiki-2026-0508-seed
|
||||
title: Seed
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-SEED-001]
|
||||
aliases: [Random Seed, RNG Seed, Reproducibility Seed]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.91
|
||||
tags: [auto-reinforced, seed, reproducibility, randomness, initialization, deterministic-ai]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [reproducibility, random, ml-training, image-gen, determinism]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: PyTorch
|
||||
---
|
||||
|
||||
# [[Seed|Seed]]
|
||||
# Seed
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "무작위성 속의 질서: 인공지능이 매번 다른 결과(Randomness)를 내놓아 통제할 수 없을 때, 특정 숫자 하나(Seed)를 고정함으로써 매번 '똑같이 재현'되게 만드는 마법의 열쇠이자, 지적 실험의 신뢰를 담보하는 고정핀."
|
||||
## 매 한 줄
|
||||
> **"매 seed 는 reproducibility 의 anchor — 매 same seed + same code + same hardware → same result"**. 매 origin 은 von Neumann 1949 mid-square method, 매 modern state 는 ML training (PyTorch, JAX), image gen (Stable Diffusion, FLUX 의 seed lock), 그리고 매 paper reproducibility 의 standard practice.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
시드(Seed)는 난수 생성기(Random Number Generator)를 초기화하는 데 사용되는 시작 숫자입니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **AI에서의 역할**:
|
||||
* **Reproducibility**: 똑같은 시드를 쓰면, 복잡한 신경망 초기화나 데이터 셔플링 결과가 항상 똑같아짐. ([[Scientific-Method|Scientific-Method]]와 연결)
|
||||
* **Comparison**: 실험 A와 B를 비교할 때 '운'의 요소를 제거하고 순수하게 기법의 차이만 측정 가능. ([[Reliability|Reliability]]와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 재현할 수 없는 결과는 과학적 지식이 아닌 '우연'일 뿐이며, 시드는 이 우연을 '필연'으로 바꾸는 최소한의 안전장치이기 때문임.
|
||||
### 매 seed 가 영향 주는 곳
|
||||
- **Data shuffling**: DataLoader sampler order.
|
||||
- **Weight init**: Xavier/He 의 random.
|
||||
- **Augmentation**: random crop/flip/color.
|
||||
- **Dropout / BatchNorm noise**: training 시 stochastic.
|
||||
- **Image gen**: latent noise (z) sampling.
|
||||
- **MC simulation**: Monte Carlo sample order.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 단순히 랜덤 함숫값 정책을 고정하는 용도였으나, 현대 정책은 거대 모델 생성 정책(이미지, 텍스트)에서 미세한 스타일 변주 정책을 통제하고 '최적의 경로 정책'을 찾아내기 위한 전략적 파라미터 정책으로 격상됨(RL Update).
|
||||
- **정책 변화(RL Update)**: 생성형 AI 이미지 생성 정책에서 시드 번호 정책 하나를 바꾸는 것만으로도 수만 가지 분위기 정책을 조절할 수 있게 되며, 시드는 이제 단순한 로직을 넘어 '예술적 변주 정책'의 도구가 됨.
|
||||
### 매 hardware non-determinism (매 seed 의 한계)
|
||||
- **CUDA atomics**: scatter_add 등 floating-point atomic 의 비결정적 order.
|
||||
- **cuDNN heuristic**: convolution 의 algo 선택.
|
||||
- **TF32 / mixed precision**: FP rounding 차이.
|
||||
- **Multi-GPU all-reduce**: NCCL ring order.
|
||||
- → 매 seed 만으로 부족, `deterministic=True` 필요.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Scientific-Method|Scientific-Method]], [[Reliability|Reliability]], [[Machine Learning (ML)|Machine Learning (ML)]], Deep Learning (DL), [[Optimization|Optimization]]
|
||||
- **Modern Tech/Tools**: Random.seed(), Torch.manual_seed(), Stable Diffusion seed.
|
||||
---
|
||||
### 매 응용
|
||||
1. ML training reproducibility (paper).
|
||||
2. Image gen 의 seed lock (consistent character, A/B test).
|
||||
3. Statistical simulation (bootstrap, MC).
|
||||
4. Bug reproduction (flake → 매 seed pin).
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
## 💻 패턴
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 매 PyTorch full reproducibility (2026)
|
||||
```python
|
||||
import os, random
|
||||
import numpy as np
|
||||
import torch
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
def seed_everything(seed: int = 42):
|
||||
os.environ["PYTHONHASHSEED"] = str(seed)
|
||||
os.environ["CUBLAS_WORKSPACE_CONFIG"] = ":4096:8" # 매 cublas 결정적
|
||||
random.seed(seed)
|
||||
np.random.seed(seed)
|
||||
torch.manual_seed(seed)
|
||||
torch.cuda.manual_seed_all(seed)
|
||||
# 매 cuDNN 결정적 (매 속도 trade-off)
|
||||
torch.backends.cudnn.deterministic = True
|
||||
torch.backends.cudnn.benchmark = False
|
||||
# 매 PyTorch 2.x deterministic algorithms
|
||||
torch.use_deterministic_algorithms(True, warn_only=True)
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
seed_everything(42)
|
||||
```
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
### 매 DataLoader seed (매 worker 마다 다른 seed)
|
||||
```python
|
||||
def worker_init_fn(worker_id):
|
||||
seed = torch.initial_seed() % 2**32
|
||||
np.random.seed(seed + worker_id)
|
||||
random.seed(seed + worker_id)
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
g = torch.Generator()
|
||||
g.manual_seed(42)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
loader = torch.utils.data.DataLoader(
|
||||
dataset,
|
||||
batch_size=32,
|
||||
shuffle=True,
|
||||
num_workers=4,
|
||||
worker_init_fn=worker_init_fn,
|
||||
generator=g,
|
||||
)
|
||||
```
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
### 매 Stable Diffusion / FLUX 의 seed lock
|
||||
```python
|
||||
import torch
|
||||
from diffusers import FluxPipeline
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
pipe = FluxPipeline.from_pretrained(
|
||||
"black-forest-labs/FLUX.1-dev", torch_dtype=torch.bfloat16
|
||||
).to("cuda")
|
||||
|
||||
prompt = "A cyberpunk samurai at neon market, 4k photo"
|
||||
|
||||
# 매 same seed → same image (same hardware)
|
||||
gen = torch.Generator(device="cuda").manual_seed(20260510)
|
||||
img = pipe(prompt, generator=gen, num_inference_steps=28).images[0]
|
||||
img.save("samurai_seed20260510.png")
|
||||
|
||||
# 매 seed sweep — 매 character consistency 찾기
|
||||
for s in range(1000, 1010):
|
||||
g = torch.Generator(device="cuda").manual_seed(s)
|
||||
pipe(prompt, generator=g).images[0].save(f"sweep_{s}.png")
|
||||
```
|
||||
|
||||
### 매 JAX (functional seed, 매 split)
|
||||
```python
|
||||
import jax
|
||||
import jax.numpy as jnp
|
||||
|
||||
key = jax.random.PRNGKey(42)
|
||||
key, subkey1, subkey2 = jax.random.split(key, 3)
|
||||
|
||||
x = jax.random.normal(subkey1, (1000, 128))
|
||||
y = jax.random.normal(subkey2, (1000,))
|
||||
|
||||
# 매 매 functional — 매 implicit global state X
|
||||
# 매 same key chain → exact same numbers
|
||||
```
|
||||
|
||||
### 매 numpy 의 새 generator API (post-1.17)
|
||||
```python
|
||||
import numpy as np
|
||||
|
||||
# 매 legacy (매 global, 매 thread-unsafe)
|
||||
np.random.seed(42); np.random.randn(3) # 매 권장 X (in 2026)
|
||||
|
||||
# 매 modern: explicit Generator
|
||||
rng = np.random.default_rng(seed=42)
|
||||
rng.standard_normal(3) # array([ 0.30471708, -1.03998411, ...])
|
||||
rng.choice([1,2,3], size=10)
|
||||
```
|
||||
|
||||
### 매 JS (web 의 seedable, Math.random 은 X)
|
||||
```js
|
||||
// 매 seedrandom (매 V8 Math.random 은 seedable X)
|
||||
import seedrandom from "seedrandom";
|
||||
|
||||
const rng = seedrandom("2026-05-10");
|
||||
console.log(rng()); // 매 deterministic
|
||||
console.log(rng.int32()); // 매 deterministic int
|
||||
```
|
||||
|
||||
### 매 reproducibility checklist (매 paper / experiment)
|
||||
```python
|
||||
# 매 매 run 시작 시 dump:
|
||||
import torch, sys, json, hashlib
|
||||
|
||||
manifest = {
|
||||
"seed": 42,
|
||||
"python": sys.version,
|
||||
"torch": torch.__version__,
|
||||
"cuda": torch.version.cuda,
|
||||
"cudnn": torch.backends.cudnn.version(),
|
||||
"gpu": torch.cuda.get_device_name(0) if torch.cuda.is_available() else None,
|
||||
"code_sha": _git_sha(),
|
||||
"data_sha": hashlib.sha256(open("data.bin","rb").read()).hexdigest(),
|
||||
"hyperparams": {"lr": 3e-4, "batch": 64, "epochs": 30},
|
||||
}
|
||||
with open("run_manifest.json","w") as f:
|
||||
json.dump(manifest, f, indent=2)
|
||||
```
|
||||
|
||||
### 매 multi-seed eval (매 paper 의 robust 결과)
|
||||
```python
|
||||
results = []
|
||||
for seed in [42, 123, 2024, 31337, 7]:
|
||||
seed_everything(seed)
|
||||
model = train()
|
||||
acc = evaluate(model)
|
||||
results.append(acc)
|
||||
|
||||
# 매 report mean ± std (NOT single-seed best)
|
||||
print(f"Acc = {np.mean(results):.3f} ± {np.std(results):.3f} (n=5 seeds)")
|
||||
# 매 매 single-seed claim 은 매 reviewer 가 reject.
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 매 paper experiment | seed_everything + multi-seed (≥3) + manifest dump |
|
||||
| 매 image gen consistency | seed lock + sweep |
|
||||
| 매 prod ML training | seed + log, 매 deterministic 의 perf cost 고려 |
|
||||
| 매 hyperparam sweep | seed pin per run, vary hyperparam |
|
||||
| 매 MC simulation | seed log per run, 매 reproducible |
|
||||
|
||||
**기본값**: `seed_everything(42)` + manifest JSON + 매 paper claim 매 multi-seed mean±std.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Reproducibility]] · [[Random Number Generation]]
|
||||
- 변형: [[PRNG]] · [[Cryptographic RNG]]
|
||||
- 응용: [[ML Training]] · [[Image Generation]] · [[Monte Carlo]]
|
||||
- Adjacent: [[Determinism]] · [[Experiment Tracking]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 LLM의 `seed` param (OpenAI 의 `seed` arg, Anthropic 의 `temperature=0` 근사) — 매 partial reproducibility. 매 prompt 의 deterministic eval.
|
||||
**언제 X**: 매 LLM 은 매 fully reproducible X (provider routing, kernel non-determinism). 매 expectation 조정.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Single-seed paper**: 매 매 result fragility. 매 N≥3 seed report.
|
||||
- **Seed pin without manifest**: 매 hardware/lib 변경 시 깨짐.
|
||||
- **Forget DataLoader workers**: 매 worker 의 random 따로 — 매 worker_init_fn 필요.
|
||||
- **`np.random.seed` global**: 매 thread-unsafe — 매 `default_rng` 사용.
|
||||
- **Determinism off-by-default**: 매 cuDNN benchmark=True 면 매 결과 다름.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (PyTorch reproducibility docs 2026, JAX PRNG design notes, Pineau "ML Reproducibility Checklist" NeurIPS).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — PyTorch + JAX + FLUX seed + multi-seed eval |
|
||||
|
||||
Reference in New Issue
Block a user