随机种子定不死找bug

sduerfh2025-01-05 8:56

记录一次debug的心路历程

在运行别人的开源项目时遇到了随机种子定不死的情况, 运行一开始会有1e-5次方左右的误差, 后面误差会越来越大。

一开始以为是随机种子没有定死, 使用的以下代码固定的随机种子:

python 复制代码

    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)
    torch.cuda.manual_seed_all(seed)  # if you are using multi-GPU，为所有GPU设置随机种子
    np.random.seed(seed)
    random.seed(seed)
    torch.backends.cudnn.benchmark = False
    torch.backends.cudnn.deterministic = True

发现结果依然随机, 其表现形式为:训练时训练数据第一次经过模型产生的输出与loss完全相同, 但是, 经过一次backward之后第二个循环就会产生区别。这时的区别在1e-5左右，如果放任不管，第一个epoch训练完成产生的结果差异巨大。

一开始认为是网络的问题，存在某些网络层会引入随机性，但是，将第一次循环后的optimizer中的网络梯度打印出来，发现绝大多数的网络层会有1e-6左右的误差。

其次是怀疑整个网络使用了 getattr(torchvision.models, name)( replace_stride_with_dilation=[False, False, dilation], pretrained=False, norm_layer=FrozenBatchNorm2d) 引入的随机性，但是将这个模块提出来单独测试后也排除了问题。

陷入了僵局，在确保输入完全相同，网络结构也无随机性的情况下，将目光看向了loss函数上，经过了一些简单的小测试（对于所有的预测结果不做任何后处理，全改成MSE loss），发现并无随机性，将问题定位到了loss的后处理上。

最后经过逐行定位，发现问题出现在torch.gather中。并且发现往上也有类似的贴子在说这个问题
https://discuss.pytorch.org/t/torch-gather-uncontrollable-randomness-quirky/63631

其他也可能引入随机性的操作： os.listdir(), set() - set()

还需要注意一个问题，那就是多卡时打印顺序的问题，如下2次实验结果相同，但是打印的顺序不同！此时得到的效果也是稳定可复现的。