Python para IA · Lección 29
¿Por qué fijar una 'semilla aleatoria' (random seed) específica al inicio de un experimento de machine learning es importante para poder reproducir exactamente los mismos resultados en una ejecución posterior?
Muchos procesos de ML (como la inicialización de pesos de un modelo, o la división aleatoria de datos en entrenamiento y prueba) usan generación de números aleatorios internamente, y fijar la semilla asegura que esa secuencia de números 'aleatorios' sea exactamente la misma cada vez que se ejecuta el código, permitiendo resultados reproducibles
Fijar una semilla aleatoria elimina por completo cualquier componente de aleatoriedad del proceso de entrenamiento, convirtiéndolo en un proceso completamente determinista sin ningún elemento probabilístico real
Solo es relevante fijar una semilla si el experimento de ML tiene exactamente un único proceso aleatorio en total involucrado, sin ninguna otra fuente de aleatoriedad
Sin fijar ninguna semilla aleatoria, dos ejecuciones distintas del mismo código de entrenamiento siempre producirían exactamente el mismo resultado idéntico de todas formas
Python para IA · Lección 29
Completa el código
Fijar la semilla asegura que la secuencia de números aleatorios sea exactamente la misma en cada
Revisa: asegura que la secuencia de números aleatorios sea exactamente la misma en cada ejecución.
Python para IA · Lección 29
¿Por qué un colega que intenta reproducir tus resultados de entrenamiento (usando exactamente el mismo código y datos) podría obtener un modelo con un rendimiento ligeramente distinto si no se fijó explícitamente la misma semilla aleatoria en ambas ejecuciones?
Pista: sin fijar explícitamente la misma semilla aleatoria en ambas ejecuciones, cada una generaría internamente una secuencia distinta de números pseudoaleatorios (por ejemplo, para inicializar los pesos del modelo de forma distinta); esa diferencia en los valores iniciales, aunque el resto del código y los datos sean exactamente los mismos, puede llevar el proceso de entrenamiento por un camino ligeramente distinto, resultando en un modelo final con un rendimiento no exactamente idéntico entre ambas ejecuciones.
✓
¡Lección completada!
Reproducibilidad — semillas aleatorias y determinismo
0
XP ganado
3
Vidas restantes