Python+PyTorch下迭代生成随机种子恒为固定值的原因及解决方案

你遇到的固定seed循环问题，本质是全局随机状态被循环操作形成了自锁定，和你单次读代码的直觉偏差有关：

• 你默认把代码当成单次执行的线性流程，认为“生成seed的代码在设置种子的代码前面，所以生成逻辑不会被后续的种子设置操作影响”，但实际这段代码是在多轮迭代中循环执行的，上一轮末尾的种子重置操作，会直接变成下一轮开头生成seed时的前置状态。
• 具体的锁死过程可以拆解为三步：
  1. 第一轮迭代启动时，numpy全局随机状态是程序刚加载时的默认初始状态，此时调用np.random.randint(0,1000)得到第一个值688。
  2. 紧接着执行np.random.seed(688)，把numpy的全局随机状态强制重置为“种子为688对应的初始状态”。
  3. 第二轮迭代走到生成seed的代码时，此时numpy的全局状态已经被上一步改成了688种子对应的初始态，从这个状态下生成的第一个随机数，永远是固定值688。之后每一轮都会重复“生成688→设置688为种子”的循环，再也无法跳出固定值。

核心思路是把生成seed的逻辑和后续会重置随机状态的全局逻辑隔离开，避免自循环，常见的可落地实现方式：

• 使用独立的随机数生成器实例生成seed，这个实例的状态完全不受后续np.random.seed()、torch.manual_seed()这类全局状态操作的影响：

import numpy as np
import torch

# 独立初始化专门用来生成seed的随机数生成器，仅在程序启动时创建一次
seed_generator = np.random.default_rng()

for iteration in range(total_iterations):
    # 从独立生成器取seed，状态会自动向后推进，不会和业务代码的全局随机状态冲突
    seed = seed_generator.integers(low=0, high=2**32)
    print(f"当前迭代使用的随机种子: {seed}")

    # 正常设置全局随机种子供后续训练逻辑使用
    np.random.seed(seed)
    torch.manual_seed(seed)
    # ... 后续训练、推理逻辑

• 如果需要排除所有库级随机状态的干扰，可以直接用系统级随机熵源生成种子，完全不依赖numpy/torch的随机模块：

# 从系统安全随机源生成种子，不会受任何代码内的种子设置操作影响
seed = int.from_bytes(seed_generator.entropy.read(4), byteorder="little")

操作时需要注意，不要把生成seed的逻辑接入会被全局种子重置影响的随机流，否则一定会再次出现循环锁死的问题。

内容的提问来源于stack exchange，提问作者learner