对复现模型性能产生干扰的因素

固定随机种子！

下述代码放在代码的最前面。用于固定随机种子。

    manualSeed = 1
    random.seed(manualSeed)
    torch.manual_seed(manualSeed)
    torch.manual_seed(manualSeed)
    np.random.seed(manualSeed)
    torch.cuda.manual_seed_all(manualSeed)
    torch.backends.cudnn.benchmark = False
    torch.backends.cudnn.deterministic = True

不要定义无关变量！

在固定随机随机种子后，无关变量的定义可能会对结果产生影响。

比如在定义模型后，定义了一个代码中其他地方未用到的变量input_2d,该变量的存在会影响随机种子，产生随机的干扰。
做一个可能不正确的比喻，比如种子序列是[1,2,3,4,5,6], 该变量(input_2d)的产生占用了[1,2],这样其他随机变量的产生就只能利用剩下的随机数。

    model = Model(opt, adj).cuda()
    input_2d = torch.rand(2, 2, 3,17, 1, requires_grad = True)
    # input_2d = torch.ones(2, 2, 3,17, 1, requires_grad = True) # 该变量的产生没有用到随机数，不会对模型性能产生干扰

注： 经过实验测试，required_grad 的True or False 对实验结果并没有影响，因为该变量并没有实际用到。
如果定义的随机变量没有用到随机数，就不会对结果产生影响。