2. 实验参数的生命周期与分类
在科学计算实验中，“参数”并不是一个笼统的概念。一次实验能否被准确复现，往往取决于我们是否清楚地区分了不同性质的参数：哪些是实验开始前就必须固定的输入，哪些是研究者主动调节的超参数，哪些是运行环境留下的痕迹，哪些只是为了保证随机过程可重复的种子，以及哪些是实验结束后才产生的输出元数据。把这些参数混在一起管理，是复现失败最常见的根源之一。
本节围绕两个核心问题展开：第一，如何对实验参数进行合理分类；第二，这些参数在实验设计、执行、归档三个阶段中分别处于什么状态、发生什么变化。理解这条“生命周期”，才能设计出真正可用的参数管理方案。
五类参数：性质不同，管理方式也不同
从复现的角度看，实验参数可以划分为五类，它们的来源、可变性和归档要求各不相同。
输入参数是实验所处理的数据或外部给定条件的描述，例如数据集路径、样本规模、输入文件校验值、外部配置文件名。它们决定了“实验吃什么”，通常应在实验开始前固定，并在归档时记录其精确标识（如文件哈希），因为同一路径下的数据可能被替换。
超参数是研究者主动设定、用于控制算法行为的量，例如学习率、迭代次数、正则化系数、网格搜索范围、求解器容差。超参数是实验设计的核心自由度，也是调参过程中变化最频繁的部分。管理要点是：每一次实验必须记录当次实际生效的超参数组合，而不是记录“计划使用的范围”。
环境参数描述实验运行所依赖的软硬件条件，例如操作系统版本、编译器或解释器版本、依赖库版本、CPU/GPU 型号、线程数、并行策略。环境参数常常被忽视，但数值结果的微小差异、甚至无法运行，往往就来自这里。它们应在执行阶段自动采集，而非手工填写。
随机种子是控制随机过程可重复性的特殊参数。它既不是输入也不是超参数，而是一个“可重复性开关”。需要区分全局种子与各随机源（数据打乱、权重初始化、采样）的局部种子，并明确记录种子设置的位置与生效顺序。
输出元数据是实验执行后产生的描述性信息，例如运行时间戳、耗时、输出文件路径、结果指标、日志摘要、退出状态。它们不属于实验的“输入条件”，而是实验的“身份档案”，归档时应与输入侧参数一并保存，形成完整记录。
参数在三个阶段中的状态变化
参数不是静态的，它在实验设计、执行、归档三个阶段中经历“确定—生效—固化”的状态迁移。下面的图示概括了五类参数在这条生命周期上的位置与状态变化。
从图中可以看到一条清晰的规律：设计阶段解决“参数是什么、取什么值”，执行阶段解决“参数是否真的按预期生效”，归档阶段解决“参数是否被完整固化”。三个阶段中，执行阶段最容易出现“声明值与实际值不一致”的问题，例如声明使用 8 线程但实际被限制为 4 线程，声明依赖某版本库但环境中被升级。因此，环境参数与超参数都应以“实际生效值”为准进行记录。
一个可操作的参数记录示例
下面给出一个实验参数清单的示例结构（数值为教学示例，非实测结果）。它把五类参数放在同一份记录中，但用不同字段区分其性质，便于执行时自动填充、归档时整体保存。
experiment_id: exp-2024-0317-lr-sweep
# 输入参数（设计阶段固定，执行时校验）
input:
dataset: data/train_v3.parquet
dataset_sha256: "9f2c...a71d"
sample_count: 50000
# 超参数（设计阶段候选，执行时取唯一值）
hyper:
learning_rate: 0.003
batch_size: 256
max_epochs: 40
optimizer: adam
# 环境参数（执行阶段自动采集）
env:
python: "3.11.6"
numpy: "1.26.2"
device: "cpu"
threads: 4
# 随机种子（执行阶段按序注入）
seed:
global: 20240317
data_shuffle: 20240317
weight_init: 20240318
# 输出元数据（执行后生成，归档时汇总）
output:
started_at: "2024-03-17T09:12:44"
duration_sec: 1832
final_loss: 0.0417
exit_status: 0
artifact: runs/exp-2024-0317-lr-sweep/model.bin这份记录的关键设计在于：输入参数带哈希，超参数只记录当次生效值，环境参数由程序采集，种子区分全局与局部，输出元数据在执行后回填。归档时，整份记录与输出产物一起保存，任何一次实验都能凭此还原“当时到底跑了什么”。
生命周期管理中的三个易错点
第一，把“计划值”当成“实际值”。设计阶段写下的超参数范围、声明的依赖版本，都不等于执行时真正生效的内容。正确做法是在执行入口处打印或落盘实际生效的配置，并与计划值比对，差异要显式记录。
第二，种子设置不完整。只设全局种子，却忽略了数据加载器的打乱种子或并行采样种子，会导致结果仍不可复现。应逐一列出实验涉及的随机源，明确每个随机源的种子来源与注入顺序。
第三，归档只存结果不存参数。只保存模型文件或指标表，而不保存输入哈希、环境版本与种子，等于放弃了复现能力。归档的最小完整单元应是“参数记录 + 输出产物 + 日志”，三者缺一不可。