修改自：https://zhuanlan.zhihu.com/p/532511514
我在刚接触pytorch的时候搜到了这个大佬的文章，当时最后天坑部分没有看的太明白，直到今天我也遇到的相同的问题，特来做一点点补充，方便大家理解。
上述大佬文章的简版内容：
入门版本
Pytorch复现的入门版本就是官方指南，需要设定好各种随机种子。
https://pytorch.org/docs/stable/notes/randomness.html
import random
import numpy as np
import torchrandom.seed(0) # Python 随机种子
np.random.seed(0) # Numpy 随机种子
torch.manual_seed(0) # Pytorch 随机种子
torch.cuda.manual_seed(0) # CUDA 随机种子
torch.cuda.manual_seed_all(0) # CUDA 随机种子2. Dataloader的并行
DataLoader启用多线程时(并行的线程数num_workers 大于1)也会出现随机现象，解决办法：
1. 禁用多线程：num_workers 设置为0。
2. 固定好worker的初始化方式，代码如下：
def seed_worker(worker_id):worker_seed = torch.initial_seed() % 2 ** 32numpy.random.seed(worker_seed)random.seed(worker_seed)g = torch.Generator()g.manual_seed(0)DataLoader(train_dataset,batch_size=batch_size,num_workers=num_workers,worker_init_fn=seed_worker,generator=g,)3：算法的随机性
有些并行算法带有随机性，比如LSTM或者注意力机制，RNN等。
尤其是使用 CUDA Toolkit 10.2 或更高版本构建 cuDNN 库时，cuBLAS 库中新的缓冲区管理和启发式算法会带来随机性。在默认配置中使用两种缓冲区大小（16 KB 和 4 MB）时会发生这种情况。
解决办法就是在代码头部设置环境变量:
os.environ['CUBLAS_WORKSPACE_CONFIG'] = ':4096:8'如果是用到CNN的算法，同时要设置以下变量：
torch.backends.cudnn.benchmark = False # 限制cuDNN算法选择的不确定性
torch.backends.cudnn.deterministic=True # 固定cuDNN算法设置完这些，基本99%的情况下都可以复现结果，如果无法复现，那就重启notebook 或者python。
天坑：for 循环内随机性
如果在一个for 循环内多次运行pytorch训练，就会出现随机性。
以下常见方式均无效：
强制每次train之前empty_cache；
每次循环结束后，手动del 变量，并且用gc 回收；
强制初始化模型的参数；
强制设置set_rng_state；（https://discuss.pytorch.org/t/manual-seed-cannot-make-dropout-deterministic-on-cuda-for-pytorch-1-0-preview-version/27281/8)
重启python文件和notebook；
知乎大佬的解决方案：
上面的随机种子设置最好在for 循环里面设置，否则可能白瞎。
nn模型里面的dropout 在for 循环里面有随机性。解决办法是禁掉dropout或者显式的调用Dropout。
对于该天坑，本文作者的实验结果：
调用一次Dataloader就会影响下一个Dataloader的随机数生成。
解释：例如现在有两种模型的训练方式：
在train后面继续进行下一个Epoch的train。
train后面进行val，再进行下一个Epoch的train。
这两种方式得到的训练结果从第二个Epoch开始就是不同的，且val前后模型的weights没变，那应该就是生成的随机数变了。因此，应该就是调用一次Dataloader就会有新的随机数。
总结
以上就是Pytorch代码的复现终极指南，保险起见的话，先把能加的都加上，然后看能否复现。
之后如果有强迫症的话，可以做减法，逐个筛检，直到保留必要的代码。
愿天下太平，代码无坑
