一般而言，可以按照如下方式固定随机数种子，以便复现实验：

# 来自相关于 GCN 代码： 例如 grand.py 等的代码

parser.add_argument('--seed', type=int, default=42, help='Random seed.')

np.random.seed(args.seed)
torch.manual_seed(args.seed)
if args.cuda:
    torch.cuda.manual_seed(args.seed)

# 自己之前所写的 noisy label 的代码，参照某一篇 blog
def seed_torch(seed=0):
    random.seed(seed)
    np.random.seed(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)
    torch.backends.cudnn.deterministic = True
    torch.backends.cudnn.benchmark = False

即使设置了随机数种子， 当改写了几行代码 ，即使期望实现功能完全相同，但也可能无法复现原来的结果

原因在于：随机数是顺序生成的，如果中间被额外的步骤多调用了一次随机数生成器，就会导致最终的结果完全不同。

例如：优化 \(loss1+\lambda\times loss2\)
假定 \(loss1\)的计算过程要用到随机数， 若在 \(loss2\) 的计算过程中也要调用了随机数发生器，则会打乱先前供计算 \(loss1\) 使用的随机数列，导致如下两种情况最终结果不同:

  • case 1: 仅优化 \(loss1\)，不计算 \(loss2\)
  • case 2: 优化 \(loss1+0.0\times loss2\) （这里设置 \(loss2\) 项前的参数 \(\lambda\) 为 \(0.0\)， 也即没有参与最终的优化。）

python 在主函数中设置随机数种子，似乎也可以将子函数 or 其他被主函数调用的随机模块给固定下来。https://www.cnblogs.com/yongjieShi/p/9594349.html