1. 随机种子概述：什么是随机种子，为什么需要固定随机种子

做深度学习的人，大多遇到过这种情况：

明明代码没改，数据没动，跑出来的结果却不一样。你想想看，调了一周的参数，突然换台机器重跑，Loss 曲线对不上了……这种事遇上几次，心态就崩了。

嗯，根源就在随机种子。

1.1 什么是随机种子

先说概念。计算机里的随机，其实是伪随机。它不是真的随便变，而是通过算法算出来的。

每次“随机”，都从一个初始数字开始。这个初始数字，就是种子。

拿 Python 举个例子。你运行下面这段代码两次，看看结果：

import random

random.seed(42)
print([random.random() for _ in range(3)])

random.seed(42)
print([random.random() for _ in range(3)])

你会发现两个列表一模一样。因为种子都是 42，随机数序列自然相同。

但如果你把第二个random.seed(42)改成random.seed(99)，结果就全变了。说白了，种子就是决定“随机”走向的钥匙。

1.2 为什么机器学习离不开随机种子

训练模型时，“随机”无处不在。我调模型时发现，随便列一列，至少五个环节依赖随机种子。

环节	为什么用随机	种子影响什么
权重初始化	打破对称性，让参数不重复	初始参数值不同
数据打乱	避免有序数据干扰训练	每个 batch 的样本组成不同
Dropout	随机丢弃神经元	每次 Dropout 哪些节点不同
数据增强	随机裁剪、翻转、噪声	增强后的样本不同
Mini-batch 采样	随机选子集	每个 epoch 的 batch 分布不同

这些环节，看上去都该“随机”。但问题是——

如果所有环节的种子都不固定，实验结果就完全不可控。

我举个例子。你发现 A 方法比 B 方法好 1%。但换两次种子重跑，可能 A 反而比 B 差。你说，这个结论到底是对是错？

1.3 不固定种子的后果

我曾经接过一个项目。同学给了一份 Baseline 代码，说效果挺好。我拿过来直接跑，结果差了一大截。

排查了三天——数据、环境、依赖版本……全部一样。最后发现，问题出在代码里没用固定种子。

我换了他的机器、他的 GPU、他跑的那个时间点……才复现出来。

这事挺耽误进度的。更麻烦的是，如果论文里不写种子，别人根本没法复现你的实验。

1.4 固定种子到底能控制什么

固定种子能控制的大致分两类。我把它们列出来：

• 确定性行为（同一设备可复现）：权重初始化、数据打乱顺序、Dropout 掩码、数据增强变换参数
• 非确定性行为（无法完全控制）：GPU 并行计算顺序、CUDNN 的卷积优化、多线程调度

所以别指望固定了种子就能全盘复现。不同 GPU 型号、不同 CUDNN 版本，结果仍可能有微小差异。

1.5 流程图：种子对训练的影响链路

下面这张图，展示了随机种子从设置到影响训练结果的完整链路。

从图上你可以看明白：种子从源头影响权重、数据、Dropout，这些又决定了训练过程的走向。种子一变，路径就变。结果自然跟着变。

1.6 怎么理解这个“随机”

有人会问：“如果模型对随机种子这么敏感，那它真的可靠吗？”

这个问题问得好。我个人观点是：可靠的模型，应该对不同种子有一定鲁棒性。但种子敏感不等于模型差——它也可能意味着你的训练方差大，需要更多次实验。

1.7 常见实践中的种子设置方法

我项目里一般用这种模式：

import random
import numpy as np
import torch

def set_seed(seed=42):
    random.seed(seed)
    np.random.seed(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed_all(seed)
    
    # 提升确定性，但可能影响速度
    torch.backends.cudnn.deterministic = True
    torch.backends.cudnn.benchmark = False

# 然后每次实验前调一下
set_seed(2024)

这里我特别提一句：torch.backends.cudnn.benchmark = False 会让训练变慢一些，但能保证每次卷积计算的确定性。如果只是做对比实验，这个代价值得。

好了，第1章就到这里。核心概念就是一句话：种子变了，结果就变了。你理解了这一点，后续的章节就能跟上。