TensorFlow 2.x非Keras代码跨会话可复现性异常问题求助

• 环境变量配置不符合要求：PYTHONHASHSEED、TF_DETERMINISTIC_OPS这类环境变量必须在导入numpy、TensorFlow等所有第三方库之前设置，若先导入库再赋值，配置不会生效。且TensorFlow官方确定性相关的环境变量为全大写格式，你使用的小写tf_deterministic_ops在大小写敏感的系统（如Linux）中会直接失效。
• 未覆盖tf.compat层的随机规则：你大量使用tf.compat系列接口，这类接口继承TensorFlow 1.x的会话级随机种子逻辑，仅设置TF2.x的全局随机种子tf.random.set_seed无法作用于compat层的隐式会话，每次新会话启动时compat层会生成独立的随机状态。
• 缺少运算确定性的必要配置：没有固定CPU多线程调度规则、GPU cuDNN算子确定性逻辑，多线程调度差异、GPU非确定性算子的运算差异都会导致跨会话结果不一致。

1. 调整环境变量设置顺序，所有环境变量放在脚本最开头，导入任何第三方库之前执行：

# 优先配置所有环境变量，禁止提前导入其他库
import os
os.environ["TF_DETERMINISTIC_OPS"] = "1"
os.environ["PYTHONHASHSEED"] = "2"
os.environ["TF_CUDNN_DETERMINISTIC"] = "1"
# 环境变量配置完成后再导入依赖
import random
import numpy as np
import tensorflow as tf

2. 补全全局确定性配置，覆盖compat层随机规则：

random.seed(2)
np.random.seed(2)
tf.random.set_seed(2)
# 固定CPU线程数，消除多线程调度带来的随机性
tf.config.threading.set_inter_op_parallelism_threads(1)
tf.config.threading.set_intra_op_parallelism_threads(1)
# 配置tf.compat层的全局随机种子
tf.compat.v1.set_random_seed(2)

# 若get_model内部会主动创建tf.compat.v1.Session，创建会话时需显式绑定种子
# 示例：
# sess = tf.compat.v1.Session(graph=tf.compat.v1.get_default_graph())
# with sess.as_default():
#     tf.compat.v1.set_random_seed(2)
#     get_model()

3. 检查get_model内部逻辑：所有用到随机初始化的算子（如变量初始化、随机采样操作）显式传入固定seed参数，避免依赖全局种子的隐式状态。

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