随机数种子的作用域问题_random-spilt

项目场景：

机器学习和深度学习中，为了程序的可复现性，需要设置随机数种子。在跑多个模型时，由于数据的预处理不同，数据集进行划分时重复使用torch.utils.data.random_split，需要注意的问题

问题描述：

由于我这里使用的torch是1.5.0版本，torch.utils.data.random_split函数没有generator的参数设置种子，因此需要在代码前加入

#  Fix Seed
torch.manual_seed(0)  # 为CPU设置种子用于生成随机数，以使得结果是确定的
1
2

但是单独跑各个模型和循环跑所有模型的时候，得到的结果不一样

原因分析：

经过一步步调试发现，循环跑所有模型的时候，每次运行到torch.utils.data.random_split函数时，得到的训练集和测试集的indice列表和单独跑模型的时候不同

解决方案：

循环跑模型时，是将设置随机数种子这句话放在了循环外，而设置随机数种子只影响第一个torch.utils.data.random_split函数，因此后面再进入循环，设置随机数种子没有作用了。
numpy设置随机数种子也是同样的道理，下面举两个例子：
只设置一个随机数种子

import numpy as np
np.random.seed(0)
m = np.random.randint(10)
print(m)	# 5
m = np.random.randint(10)
print(m)	# 0
m =
1
2
3
4
5
6