引言：什么是可重复计算？为什么重要？
可重复计算，说白了就是“输入相同，输出必然相同”。
这句话听起来简单，做起来可不容易。我见过太多项目，换台机器跑结果就变了。或者隔了一个月，同样的代码跑出完全不同的数据。嗯，这其实不是玄学，是计算环境没锁死。
我们讲的可重复计算，不只是哈希值匹配那么简单。它更像是给整个实验过程拍了一张X光片——环境、依赖、随机种子、编译参数，全部都得对得上。我刚开始做框架评估的时候，发现很多人把“可重复”和“可重现”混为一谈。其实它们有本质区别。
1.1 定义的本质：确定性为王
你想想看，如果连自己昨天的结果都复现不了，怎么跟别人比性能？怎么向客户交付信任？
在我们这个课程里，可重复计算的定义聚焦在三点：
- 环境确定性： 操作系统、驱动、库版本、编译器是否完全锁定。
- 算法确定性： 浮点数累加顺序、原子操作执行路径、随机数生成是否可控。
- 工件可追溯： 每次运行产生的日志、模型权重、中间结果是否可关联回原始命令。
我曾经在一个深度模型压缩项目里栽过跟头。当时有个算子在不同 CUDA 版本下结果不一样。排查了整整两周，最后发现是 cuDNN 的算法选择器不是确定性的。从那以后，我再不敢不锁环境就跑实验。
为了讲得更清楚，我习惯用下面这个表格来区分几个容易混淆的概念：
| 术语 | 核心要求 | 严格程度 |
|---|---|---|
| 可重复 (Reproducible) | 同一团队、同一环境、同一代码 -> 结果一致 | ⭐⭐⭐⭐⭐ |
| 可重现 (Replicable) | 不同团队、独立搭建环境 -> 得到相同结论 | ⭐⭐⭐⭐ |
| 可再现 (Reproducible across contexts) | 不同硬件、不同框架下 -> 趋势一致 | ⭐⭐⭐ |
1.2 为什么我们如此在意？
原因很现实。我总结为四大价值：
- 信任： 老板和客户信任你的报告。没有可重复性，你的数字就是“薛定谔的指标”。
- 调试： 线上出问题，你本地复现不了，急不急？反正我急过。一个可重复的问题等于已经解决了一半。
- 协作： 团队内部用同一个标准，减少“我机器上能跑”的扯皮。大家只维护一份正确的基准。
- 合规： 金融、医疗、自动驾驶等领域的审计要求。没有完整的环境审计链，过不了监管那一关。
1.3 可重复计算的主要威胁
要实现可重复计算，不是件容易的事。主要敌人有这几个：
- 浮点数非结合性： 这是最隐蔽的。IEEE 754 标准下，(a+b)+c != a+(b+c)。并行计算时的归约顺序会直接影响结果。
- 非确定性库： 很多底层库（如 cuDNN、MKL）为了性能，内置了随机算法选择器。
- 哈希与随机种子： 数据加载时的 shuffle、Dropout 层、参数初始化，没有固定种子就是一团乱麻。
- 时间戳污染： 某些日志或文件名自动加入时间戳，导致后续的比对工具认为每次都是全新输出。
一个典型的非确定性执行示例：
# Python 示例：不锁随机种子
import torch
# 没有设置 seed，每次运行结果不一样
model = torch.nn.Linear(10, 10)
print(model.weight[0, 0])
# 锁住随机种子后
torch.manual_seed(42)
model = torch.nn.Linear(10, 10)
print(model.weight[0, 0]) # 每次运行都一样你可能会问，如果在 GPU 上呢？那就要额外锁住 cuDNN 的算法选择器：
torch.backends.cudnn.deterministic = True
torch.backends.cudnn.benchmark = False1.4 框架评估核心逻辑
我们这套《可重复计算框架评估指标》，就是专门来解决这些问题的。它不是简单的“加个随机种子”的小技巧，而是一套完整的评估体系。下面这张图展示了我多年实践总结出来的核心逻辑：
这张图里，我刻意加了一个“指标反馈”环节。很多团队做到了环境锁定和确定性执行，就以为万事大吉。其实不对，你还需要一套指标去衡量“可重复的程度”。这就是我们课程接下来要讲的重点。
1.5 核心评估指标预览
我们会在后续章节里，一个一个深入拆解这些指标。这里先给你一个全景图：
| 指标名称 | 关注点 | 评估方式 |
|---|---|---|
| 环境锁定覆盖率 | 依赖项、系统参数是否全量记录 | Manifest 校验与 Diff 对比 |
| 结果一致性得分 | 多次运行输出的数值差异程度 | 统计指标（MAE、MaxErr） |
| 回归检测灵敏度 | 能否快速定位导致不可重复的提交 | CI/CD 回归测试套件 |
| 审计追溯完整性 | 从原始数据到最终报表是否可追溯 | 元数据图谱与签名链 |
好了，这就是引言的全部内容。简单总结一下：可重复计算是基准测试和算法评估的基石，没有它，我们的所有努力都像在流沙上建城堡。接下来的章节，我们会具体深入到每一个评估指标中去，手把手教你如何搭建自己的可重复计算框架。