仅设 tf.random.set_seed() 不够，因还需控制 Python random、NumPy、CUDA cuDNN 及环境变量 TF_DETERMINISTIC_OPS 和 TF_CUDNN_DETERMINISTIC 才能确保完全可复现。
为什么只设 tf.random.set_seed() 不够
很多用户以为调用 tf.random.set_seed(42) 就能保证模型训练结果完全可复现，但实际运行多次仍可能得到不同结果。这是因为 TensorFlow 的随机性来源不止一个：Python 自带的 random 模块、NumPy 的 np.random、CUDA 的 cuDNN（GPU 下）、甚至 Python 的哈希种子都可能干扰。尤其在 GPU 上，cuDNN 的非确定性算法默认开启，会直接绕过你设的 tf 种子。
必须同时控制这四个地方
要真正固定随机性，需同步设置以下四类种子，缺一不可：
-
python层：import random; random.seed(42) -
numpy层：import numpy as np; np.random.seed(42) -
tensorflow层：import tensorflow as tf; tf.random.set_seed(42) - 环境变量（关键！）：
os.environ['TF_DETERMINISTIC_OPS'] = '1'（TF 2.8+），且对 GPU 还需os.environ['TF_CUDNN_DETERMINISTIC'] = '1'
注意：TF_DETERMINISTIC_OPS=1 会强制 TensorFlow 使用确定性内核（如卷积、池化），但代价是 GPU 性能下降 10–30%；若只跑 CPU，该变量仍建议开启。
TensorFlow 2.x 中的坑：Keras 层初始化不受 tf.random.set_seed() 单独影响
Keras 模型构建时（如 tf.keras.layers.Dense(64, kernel_initializer='glorot_uniform')）的权重初始化，依赖的是当前全局 tf.random.Generator 状态，而这个状态在模型创建时就被“快照”了。所以种子必须在 导入 Keras 之前 或 构建模型之前 设置，且不能晚于 tf.keras.Model 实例化。
立即学习“Python免费学习笔记（深入）”；
常见错误写法：
model = tf.keras.Sequential([...]) tf.random.set_seed(42) # ❌ 太晚了，初始化已完成
正确顺序示例：
import os os.environ['TF_DETERMINISTIC_OPS'] = '1' os.environ['TF_CUDNN_DETERMINISTIC'] = '1' <p>import tensorflow as tf import numpy as np import random</p><p>seed = 42 random.seed(seed) np.random.seed(seed) tf.random.set_seed(seed)</p><h1>✅ 此时再定义模型</h1><p>model = tf.keras.Sequential([ tf.keras.layers.Dense(64, activation='relu'), tf.keras.layers.Dense(10, activation='softmax') ])
验证是否真的固定了随机性
光设种子不验证，等于没做。最简单的验证方式：连续两次运行同一段建模+训练代码（不重启 Python 进程），对比两次训练前两步的损失值或权重 norm。如果一致，说明种子生效；若不一致，大概率是漏了 TF_DETERMINISTIC_OPS 或用了第三方库（如 albumentations）自带的随机逻辑。
额外提醒：使用 tf.data.Dataset.shuffle(buffer_size) 时，buffer_size 必须显式设为固定值（不能用 len(dataset) 动态算），否则不同机器/不同次运行时 buffer 大小可能浮动，导致 shuffle 序列不一致。
