2、随机种子管理：全局随机种子设置、不同库的种子隔离、种子对结果的影响分析

随机种子，说白了就是给随机数生成器一个“起点”。

同一个种子，跑出来的随机序列完全一样。这个特性，在追求结果稳定性的场景下，简直是救命稻草。我刚开始做算法优化时，经常遇到一个头疼的问题：同样的代码，跑两次结果不一样。后来才发现，是随机种子没固定。

2.1 全局随机种子：一锤定音

最直接的做法，就是在程序入口处设置一个全局种子。这样，所有依赖随机数的模块，都会从这个种子开始生成序列。

Python 里最常见的做法：

import random
import numpy as np

# 设置全局种子
SEED = 42
random.seed(SEED)
np.random.seed(SEED)

嗯，这里要注意。不同库的随机数生成器是独立的。你设了 Python 的 random.seed，不代表 NumPy 的随机数也会跟着走。所以，每个库都得单独设。

我个人习惯，会把种子定义成一个常量，放在配置文件中。这样，复现实验时，只需要改一个地方。

库	设置方法	作用范围
Python random	random.seed(seed)	全局
NumPy	np.random.seed(seed)	全局
PyTorch	torch.manual_seed(seed)	CPU
TensorFlow	tf.random.set_seed(seed)	全局

2.2 不同库的种子隔离：各玩各的

全局种子虽然方便，但有个坑：如果你在同一个程序里用了多个随机数生成器，它们会共享同一个种子序列。这会导致什么问题？

举个例子。你有一个数据增强模块，用 NumPy 生成随机裁剪参数。同时，模型初始化也用 NumPy 的随机数。如果它们共享同一个种子，那么数据增强的顺序变了，模型初始化的结果也会变。这就不对了。

解决办法：给每个模块分配独立的种子。

base_seed = 42
data_seed = base_seed + 1000
model_seed = base_seed + 2000

np.random.seed(data_seed)  # 数据增强用
# ... 数据增强代码 ...

np.random.seed(model_seed)  # 模型初始化用
# ... 模型初始化代码 ...

这样，数据增强和模型初始化就互不影响了。你想想看，如果两个模块的随机数生成器是独立的，那么任何一个模块的改动，都不会影响另一个模块的结果。这对于调试和复现，太重要了。

2.3 种子对结果的影响分析：不只是“固定”那么简单

固定种子，只是第一步。种子本身的选择，也会影响最终结果。你可能会问：“种子不就是个数字吗？能有多大影响？”

影响还真不小。尤其是在模型训练中，种子决定了参数的初始值、数据的 shuffle 顺序、dropout 的 mask 等等。不同的种子，可能导致模型收敛到不同的局部最优解。

我做过一个实验：用同一个模型、同一份数据，只改变种子，跑了 10 次。结果，准确率的波动范围达到了 2%。对于某些对精度要求极高的场景，这个波动是不可接受的。

所以，我建议：

• 不要只用一个种子做实验。至少用 3-5 个不同的种子，取平均结果。
• 记录每个实验的种子。这样，如果某个结果特别好，可以复现。
• 在论文或报告中，明确说明使用的种子。这是可复现性的基本要求。

下面这张图，展示了种子对模型训练过程的影响：

2.4 实战建议：一套完整的种子管理方案

说了这么多，总结一下我现在的做法：

1. 定义基础种子。放在配置文件中，方便修改。
2. 为每个模块生成独立种子。用基础种子 + 模块 ID 的方式。
3. 在程序入口处，设置所有库的种子。包括 Python random、NumPy、PyTorch/TensorFlow 等。
4. 记录每个实验的种子。可以写入日志文件，或者保存到实验结果中。
5. 使用多个种子进行实验。至少 3 个，取平均结果。

嗯，这套方案，我在多个项目中都用过。效果很好，基本没再出现过“结果不稳定”的问题。你试试看，应该也能解决你的困扰。