Python中TensorFlow设置随机种子无效 如何复现一致运行结果

你当前的种子固定函数存在配置顺序错误、随机源覆盖不全的问题，按以下步骤调整即可获得稳定可复现的结果：

• 修正环境变量设置顺序
  所有和TensorFlow相关的环境变量（TF_DETERMINISTIC_OPS、TF_CUDNN_DETERMINISTIC、PYTHONHASHSEED）必须在import tensorflow之前完成设置，否则TensorFlow启动时已经读取了默认环境变量值，后续再修改不会生效。
• 补全未覆盖的随机源
  • 强化学习环境本身的随机种子：初始化环境后必须显式设置环境种子，新版Gym/Gymnasium调用env.reset(seed=seed)，旧版Gym调用env.seed(seed)；如果使用并行采样环境，每个子环境都要设置带固定偏移的种子（如第i个子环境设为seed+i），子进程启动时需要单独执行一遍种子固定函数。
  • PPO算法内部随机操作：mini-batch采样打乱时要显式传入固定种子，使用tf.data.Dataset.shuffle时必须指定seed参数；如果代码中单独实例化了独立随机数生成器（如np.random.default_rng()、tf.random.Generator），必须在初始化时传入固定种子，全局种子对这类独立生成器无效。
  • 网络层随机逻辑：训练/测试阶段要正确传入training参数，避免Dropout、高斯噪声层在测试阶段保持随机激活状态；如果使用RNN类网络，每次测试前要调用model.reset_states()清空残留隐状态。
• 补全GPU非确定性配置
  你当前的GPU配置漏了TF32精度开关，Ampere及以上架构NVIDIA显卡默认开启的TF32计算会带来数值波动，需要添加配置tf.config.experimental.enable_tensor_float_32_execution(False)。如果运行时出现某算子无确定性实现的警告，可升级TensorFlow到2.8及以上版本（该版本对确定性算子覆盖更全），或把对应算子强制分配到CPU运行。
• 修正后的种子固定代码参考

# 注意：所有环境变量配置必须放在import tensorflow之前
import os
SEED = 42
os.environ['PYTHONHASHSEED'] = str(SEED)
os.environ['TF_DETERMINISTIC_OPS'] = '1'
os.environ['TF_CUDNN_DETERMINISTIC'] = '1'

import random
import numpy as np
import tensorflow as tf

def set_seeds(seed=SEED):
    random.seed(seed)
    np.random.seed(seed)
    tf.random.set_seed(seed)
    # 关闭TF32精度波动
    tf.config.experimental.enable_tensor_float_32_execution(False)
    # 固定线程数避免并行计算顺序波动
    tf.config.threading.set_inter_op_parallelism_threads(1)
    tf.config.threading.set_intra_op_parallelism_threads(1)

# 所有库导入完成后第一时间调用种子设置
set_seeds()

# 后续初始化环境时记得同步设置环境种子
# 旧版Gym: env.seed(SEED)
# 新版Gym/Gymnasium: env.reset(seed=SEED)

注：以上配置仅能保证同一硬件、同一依赖版本下的本地结果可复现，跨硬件、跨CUDA/TensorFlow版本时因数值计算精度差异，无法保证100%结果完全一致，但波动会控制在极小范围内，足够支撑判断算法调整带来的性能变化。如果配置后仍存在大幅波动，优先排查代码中是否存在未绑定全局种子的独立随机数生成器、是否在种子设置前就执行了包含随机逻辑的初始化操作。

内容的提问来源于stack exchange，提问作者sirian