docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,221 @@
|
||||
---
|
||||
id: wiki-2026-0508-seed
|
||||
title: Seed
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Random Seed, RNG Seed, Reproducibility Seed]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [reproducibility, random, ml-training, image-gen, determinism]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: Python
|
||||
framework: PyTorch
|
||||
---
|
||||
|
||||
# Seed
|
||||
|
||||
## 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.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 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.
|
||||
|
||||
### 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.
|
||||
|
||||
### 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).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### 매 PyTorch full reproducibility (2026)
|
||||
```python
|
||||
import os, random
|
||||
import numpy as np
|
||||
import torch
|
||||
|
||||
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)
|
||||
|
||||
seed_everything(42)
|
||||
```
|
||||
|
||||
### 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)
|
||||
|
||||
g = torch.Generator()
|
||||
g.manual_seed(42)
|
||||
|
||||
loader = torch.utils.data.DataLoader(
|
||||
dataset,
|
||||
batch_size=32,
|
||||
shuffle=True,
|
||||
num_workers=4,
|
||||
worker_init_fn=worker_init_fn,
|
||||
generator=g,
|
||||
)
|
||||
```
|
||||
|
||||
### 매 Stable Diffusion / FLUX 의 seed lock
|
||||
```python
|
||||
import torch
|
||||
from diffusers import FluxPipeline
|
||||
|
||||
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]]
|
||||
- 응용: [[Monte Carlo]]
|
||||
|
||||
## 🤖 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