设置手动种子的PyTorch Generator生成不同随机数问题

常见原因 #

• 未设置或未正确设置随机种子：随机数生成器默认依赖系统熵值初始化，每次运行初始状态不同，导致抽样结果不一致；若种子设置在抽样代码之后，也无法起到固定结果的作用。
• 随机数生成器作用域问题：部分数值计算库（如Python的numpy）区分全局与局部RNG对象，若使用局部对象却未单独设置种子，全局种子不会生效。
• 环境依赖差异：不同版本的数值库（如scipy、numpy）、不同编程语言的默认随机数算法可能存在差异，跨环境运行时结果会不一致。
• 存在未控制的其他随机操作：抽样流程中若包含数据洗牌、其他分布抽样等随机步骤，且未统一控制种子，会干扰最终结果的复现性。

解决方法 #

1. 正确设置全局随机种子 #

以Python为例，在所有抽样代码最开始设置全局种子：

import numpy as np
from scipy.stats import multinomial

# 设置全局随机种子
np.random.seed(42)

# 多项分布抽样：试验次数n=10，概率分布p=[0.2,0.3,0.5]，抽样5次
sample = multinomial.rvs(n=10, p=[0.2, 0.3, 0.5], size=5)
print(sample)

每次运行这段代码，抽样结果都会完全一致。

2. 使用局部随机数生成器（推荐，避免全局种子污染） #

若不想影响其他代码的随机结果，可创建独立的RNG对象并设置种子：

import numpy as np
from scipy.stats import multinomial

# 创建局部RNG对象并绑定种子
rng = np.random.RandomState(42)
sample = multinomial.rvs(n=10, p=[0.2, 0.3, 0.5], size=5, random_state=rng)
print(sample)

该方式仅固定当前多项分布抽样的随机性，不会干扰其他随机操作。

3. 统一环境依赖 #

通过requirements.txt（Python）或环境配置文件固定numpy、scipy等库的版本，避免因库版本更新导致随机数算法变化，确保跨环境运行结果一致。

4. 控制所有随机操作的种子 #

若抽样流程包含其他随机步骤，需给这些步骤设置相同种子，或使用同一个RNG对象完成所有随机操作，确保整个流程的随机性完全可控。

内容的提问来源于stack exchange，提问作者aram