pytorch深度学习训练随机种子设置

为了确保训练的模型能够复现，这里记录一下随机种子的设置，以便直接使用。

随机种子就像你玩游戏时的 "存档点"，只要你加载同一个存档（设置同一个种子），后续的游戏进程（生成的随机数）就会完全一样；换个存档（换种子），进程就会不同。

与pytorch训练深度模型相关的随机种子主要在numpy，torch，random库上。下面直接上代码：

python 复制代码

import random
import numpy as np
import os
import torch

def set_pytorch_seeds(seed=42, strict_reproducibility=False):
    """
    设置PyTorch深度学习训练所需的所有随机种子，保证实验可复现
    
    Args:
        seed: 随机种子值，推荐使用固定整数（如42、123）
    """
    # Python基础随机种子
    random.seed(seed)
    # NumPy随机种子
    np.random.seed(seed)
    # 禁用Python哈希随机化
    os.environ['PYTHONHASHSEED'] = str(seed)
    
    # PyTorch核心种子
    torch.manual_seed(seed)
    # GPU相关种子（单/多GPU）
    if torch.cuda.is_available():
        torch.cuda.manual_seed(seed)
        torch.cuda.manual_seed_all(seed)
        # 强制cudnn使用确定性算法
        torch.backends.cudnn.deterministic = True
        torch.backends.cudnn.benchmark = False
			 # 仅在严格复现时启用以下配置
        if strict_reproducibility:
            # 禁用TF32（Ampere GPU生效）
            torch.backends.cuda.matmul.allow_tf32 = False
            torch.backends.cudnn.allow_tf32 = False
            # 配置CUBLAS + 确定性算法
            os.environ['CUBLAS_WORKSPACE_CONFIG'] = ':4096:8'
            torch.use_deterministic_algorithms(True)

# DataLoader种子配置（PyTorch多进程必备）
def get_pytorch_dataloader_config(seed: int = 42):
    """获取PyTorch DataLoader的种子配置，解决多进程随机性问题"""
    def seed_worker(worker_id):
        worker_seed = torch.initial_seed() % 2**32
        np.random.seed(worker_seed)
        random.seed(worker_seed)
    
    generator = torch.Generator()
    generator.manual_seed(seed)
    return seed_worker, generator

核心函数set_pytorch_seeds仅保留 PyTorch 框架所需的所有关键种子配置，覆盖 CPU/GPU 场景，保证可复现性。
辅助函数get_pytorch_dataloader_config专门解决 PyTorch DataLoader 多进程的随机性问题，是完整复现的必要补充。