Pytorch训练固定随机种子（单卡场景和分布式训练场景）
模型的训练是一个随机过程，固定随机种子可以帮助我们复现实验结果。
接下来介绍一个模型训练过程中固定随机种子的代码，并对每条语句的作用都会进行解释。
def seed_reproducer(seed=2333):random.seed(seed)os.environ["PYTHONHASHSEED"] = str(seed)np.random.seed(seed)torch.manual_seed(seed)if torch.cuda.is_available():torch.cuda.manual_seed(seed)torch.cuda.manual_seed_all(seed)torch.backends.cudnn.deterministic = Truetorch.backends.cudnn.benchmark = Falsetorch.backends.cudnn.enabled = True这是一个自定义函数，函数的参数就是我们传入的种子的数值，类型为int，作用就是消除训练过程中的随机性，以确保实验得可重复性，具体使用方法为在初始化模型和dataset前调用该函数即可。
接下来逐句讲解每个语句的作用。
random.seed(seed)
- 作用：设置python内置random模块的种子，确保所有使用random模块产生的随机数序列是确定的；
- 应用场景：适用于任何使用random模块的地方，例如数据增强、采样等。
os.environ["PYTHONHASHSEED"] = str(seed)
- 作用：设置python的哈希种子，python字典和其他哈希表结构依赖于哈希函数，而哈希函数的行为在不同运行之间可能会不同，通过设置PYTHONHASHSEED环境变量，可使哈希结果在同一种子下保持一致；
- 应用场景：确保字典键值对顺序的一致性，避免因哈希碰撞引起的非确定性行为。
np.random.seed(seed)
- 作用：设置Numpy库的随机种子；
- 应用场景：适用于所有使用Numpy生成随机数的地方，例如初始化权重、数据打乱等。
torch.manual_seed(seed)
- 作用：为Pytorch设置全局种子，确保所有使用Pytorch身材的随机数（包括张量操作）都是确定性的；
- 应用场景：适用于所有使用Pytorch生成随机数的地方。
为了方便结合代码进行理解，在这里单独把后半部分的代码复制一下。
if torch.cuda.is_available():torch.cuda.manual_seed(seed)torch.cuda.manual_seed_all(seed)torch.backends.cudnn.deterministic = Truetorch.backends.cudnn.benchmark = Falsetorch.backends.cudnn.enabled = Trueif torch.cuda.is_available():
条件判断，只有当CUDA可用时才进行以下设置，这确保了代码可以在没有GPU的环境中正常运行。
torch.cuda.manual_seed(seed)
- 作用：为当前GPU设置随机种子，这确保了所有在当前GPU上生成的随机数都是确定的；
- 应用场景：适用于单个GPU的随机数生成。
torch.cuda.manual_seed_all(seed)
- 作用：为所有可用的GPU设置相同的随机种子，这确保了在多GPU环境中，每个GPU上随机生成的随机数都是一致的；
- 应用场景：适用于多GPU环境中的随机数生成。
torch.backends.cudnn.deterministic = True
- 作用：确保cuDNN使用确定性的算法，某些cuDNN算法是具有随机性的，启用此选项可以提高结果的可重复性，但是可能会降低性能；
- 应用场景：适用于需要严格可重复性的实验。
torch.backends.cudnn.benchmark = False
- 作用：禁用cuDNN的自动选择最佳卷积算法的功能，默认情况下cuDNN会在首次运行时尝试找到最适合硬件的算法，这可能会导致结果的不确定性，禁用此选项可以确保每次都是用相同的算法；
- 应用场景：适用于需要严格可重复性的实验。
torch.backends.cudnn.enabled = True
- 作用：启用cuDNN，虽然设置了deterministic和benchmark参数来控制cuDNN的行为，但仍然需要确保cuDNN是启用的；
- 应用场景：所有需要使用GPU加速pytorch计算的场景。
多卡训练的情况
对于多卡训练的情况，设置随机种子的方式需要特别注意，以确保每个进程（或者称为“rank”）生成的随机数序列是不同的，同时还需要保证整个训练过程的可重复性。基于上述要求，随机种子可使用如下代码进行修改：
seed = args.seed + utils.get_rank()- args.seed：我们指定的seed的数值，通常在模型训练的配置文件中，或者通过命令行参数传入模型的训练脚本；
- utils.get_rank()：这是自定义的一个函数，位于自定义库utils中，具体作用是获得当前进程的全局序号，比如在进行分布式训练时，有2台机器（我们成之为2个节点），每台机器有8张GPU，则一共会有2*8=16个进程，每个进程都会有唯一的序号，从0~15。
因此我们看到，对于分布式训练场景，随机种子只需要确定一个全局种子（args.seed）在加上一个增量（utils.get_rank()），而这个增量对于每个进程来说是固定的。
下面是get_rank()函数的具体实现：
import torch.distributed as distdef is_dist_avail_and_initialized():# 判断当前环境中是否支持分布式训练if not dist.is_available():return False# 检查当前环境是否已经成功初始化了分布式训练环境if not dist.is_initialized():return Falsereturn Truedef get_rank():# 判断分布式训练是否可用且是否已成功初始化if not is_dist_avail_and_initialized():return 0return dist.get_rank()