torch.manual_seed生命周期规则及Jupyter环境下失效问题咨询

• 种子仅对设置后的代码生效：torch.manual_seed()是给PyTorch全局随机数生成器（RNG）设定初始值，但这个种子的作用范围仅限设置语句之后执行的所有随机性操作。一旦删掉这行代码，后续权重初始化、dropout这类依赖随机数的步骤，就会使用系统默认的随机源（比如系统时间）生成种子，自然跑出来的结果会不一样。

• 与Notebook会话强绑定：Jupyter的单元格共享同一个Python/PyTorch进程会话。之前运行过带种子的代码时，RNG状态会被保留，但修改代码移除种子行后，重新运行相关单元格相当于在当前会话里重置随机数生成器，没有固定种子约束的话，它会回到默认随机状态，结果自然和之前带种子的运行不同。

• 种子无持久化特性：torch.manual_seed()的效果完全绑定在当前PyTorch进程内，不会留存给后续运行使用。不管是重启Notebook内核、关闭再打开Notebook，还是在同一个内核里重新执行无种子设置的代码，之前的种子设置都会直接失效——因为PyTorch的RNG状态会被重置，没有新种子注入就会用默认方式生成随机数。

• 注意其他随机源干扰：顺带提一句，就算设置了torch.manual_seed()，如果代码里还用到Python标准库的random、NumPy的随机函数，或者CUDA相关操作没同步设置torch.cuda.manual_seed_all()，也会导致结果不一致，但你这次的核心问题还是移除种子后，PyTorch自身RNG失去了固定约束。

内容的提问来源于stack exchange，提问作者JobHunter69