设 random_state 后结果仍不一致，因 Python 随机性来自 NumPy、Python 原生 random、CUDA、CUDNN、DataLoader 等多个独立源头；仅设模型 random_state 只控制其参数初始化，其余环节仍随机。
为什么设了 random_state 还是结果不一致？
因为 Python 的随机性来自多个独立源头：NumPy、Python 内置 random、TensorFlow/PyTorch 的 CUDA 随机数生成器、甚至数据加载顺序（如 DataLoader 的 shuffle）。只给模型传一个 random_state=42，只管得着模型内部的参数初始化逻辑，其他地方照旧“自由发挥”。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 显式设置 NumPy 种子：
np.random.seed(42) - 设置 Python 原生随机种子：
random.seed(42) - 若用 scikit-learn 模型（如
RandomForestClassifier），random_state参数必须传，且值要和上面一致 - 注意：sklearn 0.23+ 版本中，部分模型（如
MLPClassifier）还依赖torch.manual_seed（如果底层用了 PyTorch），需额外处理
PyTorch 训练中如何锁死全部随机源？
PyTorch 不吃 random_state 这一套，它有自己的三套随机数生成器：CPU、CUDA、CUDNN。漏掉任意一个，GPU 上的结果就可能漂移。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 训练前一次性调用以下四行（顺序不能乱）：
torch.manual_seed(42) np.random.seed(42) random.seed(42) torch.cuda.manual_seed_all(42)
- 禁用 CUDNN 的非确定性算法：
torch.backends.cudnn.deterministic = True；同时建议设torch.backends.cudnn.benchmark = False（否则会自动选快但不稳定的 kernel） - 若用
DataLoader，务必加worker_init_fn和generator：def worker_init_fn(worker_id): np.random.seed(42 + worker_id) dl = DataLoader(dataset, shuffle=True, worker_init_fn=worker_init_fn, generator=torch.Generator().manual_seed(42))
TensorFlow/Keras 中 tf.random.set_seed 管不管用？
在 TF 2.x 中，tf.random.set_seed(42) 是入口级开关，但它只控制 TensorFlow 自己的随机操作（如 tf.random.normal），不触碰 NumPy 或 Python 的随机状态。而且——它对多线程/多 GPU 场景支持有限。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 必须配合
os.environ['TF_DETERMINISTIC_OPS'] = '1'（启用确定性算子） - 若用 GPU，还需设
os.environ['TF_CUDNN_DETERMINISTIC'] = '1' - 模型编译前调用
tf.random.set_seed(42)，且确保没在别处调用np.random.seed或random.seed—— 否则它们会干扰 TF 的 seed 行为 - 注意：Keras 层的
kernel_initializer='glorot_uniform'默认是随机的，但只要全局 seed 设对，它就会复现；若想彻底保险，可显式写成kernel_initializer=tf.keras.initializers.GlorotUniform(seed=42)
验证是否真的“锁死了”？别只看准确率
准确率或 loss 数值相近 ≠ 随机性被控制住。权重矩阵、梯度更新顺序、甚至 batch 内样本排列都可能不同，只是最终指标碰巧一样。真正验证，得比对中间态。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 训练两个完全相同配置的 run，保存 epoch 1 结束后的模型权重：
model.get_weights()（Keras）或[p.data for p in model.parameters()]（PyTorch），用np.allclose对比 - 打印某一层的前 5 个参数，肉眼确认是否逐位一致
- 如果用了早停（early stopping），记得固定 validation 数据划分方式（比如用
train_test_split(..., random_state=42)），否则哪怕模型一致，停在哪一轮也不同 - 最容易被忽略的一点：文件系统读取顺序（如
os.listdir）默认无序，若你按文件名构造 dataset，务必先sorted()—— 否则每次训练喂的数据顺序都可能变
