NumPy 1.17+ 不推荐 np.random.seed()，因其仅影响旧 RandomState，而新函数默认使用独立 Generator，导致不可复现；应改用 np.random.default_rng(42) 显式创建并统一使用该实例。
为什么 np.random.seed() 不再推荐
NumPy 1.17+ 引入了新的随机数生成器（Generator）和旧的 RandomState 分离，np.random.seed() 只影响全局 RandomState 实例，但很多新函数（如 np.random.normal()、np.random.choice()）默认已切换到 Generator 路径——这意味着调用 np.random.seed(42) 后，仍可能得到不可复现的结果。
常见错误现象：np.random.randn(3) 每次运行结果不同，即使前面写了 np.random.seed(42)。
- 根本原因是：新 API 默认使用独立的
Generator实例，不共享全局 seed 状态 -
np.random.seed()仅对遗留接口（如np.random.random_sample()）有效 - 跨线程或子进程时，该方式完全失效（无状态传递）
正确做法：用 np.random.default_rng() + 显式种子
必须放弃“设一次全局种子”的幻想，改为显式创建带种子的 Generator 实例，并在所有随机操作中使用它。这是 NumPy 官方当前唯一保证可复现的方式。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 统一用
rng = np.random.default_rng(42)创建实例，不要用np.random.Generator(np.random.PCG64(42))这类冗长写法 - 所有随机函数调用都走
rng.xxx()，例如：rng.normal(0, 1, size=5)、rng.choice(['a','b'], size=3) - 避免混用：不要在同一个项目里一部分用
rng.integers()，另一部分又用np.random.randint() - 如果必须调用依赖全局
RandomState的第三方库（如旧版 SciPy），需额外调用np.random.seed(42)配合，但优先升级依赖
如何处理多模块/多文件项目的种子一致性
不能靠“每个文件开头写一遍 np.random.seed(42)”，因为模块导入顺序、执行时机不可控，且无法覆盖 Generator 行为。
推荐方案是：在主入口（如 train.py）中创建并注入 rng，通过参数或全局配置传递给各模块。
- 简单场景：定义一个模块级变量
GLOBAL_RNG = np.random.default_rng(42)，在公共 utils 文件中初始化，其他文件from utils import GLOBAL_RNG - 复杂场景（如训练循环、数据加载器）：把
rng作为参数传入函数，例如def load_batch(data, rng, batch_size): - 切忌在函数内部重复创建
default_rng()—— 没传 seed 就等于没设种子；传了 seed 则每次新建实例，打乱序列逻辑
示例片段：
import numpy as np <h1>✅ 正确：统一源头</h1><p>GLOBAL_RNG = np.random.default_rng(12345)</p><p>def sample_with_noise(x): return x + GLOBAL_RNG.normal(0, 0.1, size=x.shape)</p><h1>❌ 错误：每次调用都新建无 seed 的 Generator</h1><p>def bad_sample(x): rng = np.random.default_rng() # 没 seed → 不可复现 return x + rng.normal(0, 0.1, size=x.shape)
PyTorch/TensorFlow 用户特别注意：NumPy 种子不自动同步
PyTorch 和 TensorFlow 各自维护独立的随机状态，设置 np.random.default_rng(42) 对 torch.randn() 或 tf.random.normal() 完全无效。
若实验混合使用多个框架，必须分别设置：
- NumPy：
np.random.default_rng(42) - PyTorch：
torch.manual_seed(42)（CPU） +torch.cuda.manual_seed_all(42)（GPU） - TensorFlow：
tf.random.set_seed(42)（TF 2.x） - Python 内置
random：random.seed(42)（影响random.shuffle()等）
最容易被忽略的是：数据预处理中混用 random.shuffle() 和 np.random.permutation()，二者种子不互通，必须分别设。
