为何设置random.seed(42)无法在PyTorch中获得一致结果？

阿华AIGC实验室

2026-5-13

问题原因及解决方案

你遇到的问题核心在于：PyTorch的参数初始化依赖于自身独立的随机数生成器，和你设置的random、numpy.random完全是两个互不影响的体系。所以你只给Python原生随机库和NumPy设了种子，并没有控制PyTorch内部的随机性，自然每次初始化网络参数都会不一样。

具体原因

torch.nn.Linear（也就是你代码里的fc1）这类层的参数初始化，是调用PyTorch内置的随机采样逻辑实现的——比如默认用均匀分布或正态分布初始化权重，这些操作都是基于PyTorch自己的随机数生成器（torch.Generator），和random、numpy.random的生成器没有关联。你之前设置的种子只影响这两个库的随机行为，管不到PyTorch的初始化流程。

解决方法

要让PyTorch的网络初始化结果固定，你需要专门设置PyTorch的随机种子，包括CPU和GPU（如果用到的话）的相关配置：

import random
import numpy as np
import torch

# 初始化Python原生随机种子
random.seed(42)
# 初始化NumPy随机种子
np.random.seed(42)
# 初始化PyTorch CPU随机种子
torch.manual_seed(42)

# 如果你的环境有可用的CUDA设备，还需要配置GPU的随机性
if torch.cuda.is_available():
    # 设置单GPU种子
    torch.cuda.manual_seed(42)
    # 多GPU场景下，给所有GPU设置种子
    torch.cuda.manual_seed_all(42)
    # 禁用cuDNN的非确定性算法，避免额外的随机波动
    torch.backends.cudnn.deterministic = True
    # 关闭cuDNN的自动调优，确保每次用相同的卷积算法
    torch.backends.cudnn.benchmark = False

把这段代码放在你主文件的最开头（在导入neuralnet之前），之后再初始化net = neuralnet.Net()，就能得到完全一致的参数初始化结果了。