1. 一句话总结：

DDP中DistributedSampler保证测试数据集加载固定顺序，且在各个程序中都是一样时（因为shuffle=True时使用了随机种子，不保证在各个程序中测试数据集加载顺序都是一样），最好在DistributedSampler中保证参数shuflle=False，训练集需要保证shuffle=True（DistributedSampler中默认shuffle参数是True）。
DDP中在DataLoader中需要保证测试数据集和训练数据集都是shuffle=False(参数shuflle默认是False)，因为有了sampler进行数据采样，如果shuffle=True会与sampler进行采样冲突，出现报错（DataLoader中默认shuflle参数是False）。如果不是DDP，则需要保证训练数据集的dataloader中shuffle参数是True，测试数据集的dataloader中shuffle参数是False。

2. 参考链接：

1. Pytorch中DistributedSampler()中的随机因素
2. Pytorch按照固定顺序加载样本
3. Pytorch Distributed相关代码学习（一）
4. [源码解析] PyTorch 分布式(1) — 数据加载之DistributedSampler
5. 关于DistributedSampler理解
6. pytorch分布式系列3——分布式训练时，torch.utils.data.distributed.DistributedSampler做了什么？
7. pytorch 的 DataLoader中的shuffer与随机种子
8. pytorch多GPU并行训练DistributedDataParallel应用和踩坑记录
9. PyTorch多卡分布式训练DistributedDataParallel 使用方法
10. 官方：https://pytorch.org/docs/stable/data.html#
11. 官方：https://pytorch.org/tutorials/intermediate/ddp_tutorial.html
12. 官方：https://pytorch.org/docs/stable/notes/ddp.html
13. 关于pytorch中的distributedsampler函数使用
14. Pytorch DistributedDataParallel 数据采样 shuffle