设置随机数种子

def seed_everything(seed=1234):
    random.seed(seed)
    np.random.seed(seed)
    os.environ['PYTHONHASHSEED'] = str(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)
    torch.backends.cudnn.deterministic = True

这段代码用于设置多个库的随机种子，以确保可重复性。在进行机器学习，特别是深度学习模型训练时，设置随机种子有助于确保每次运行时结果一致。

1. random.seed(seed):
   设置 Python 内置 random 模块的随机种子，该模块用于生成随机数，如洗牌、采样等操作。这样可以确保使用该模块进行的随机操作是确定性的。

2. np.random.seed(seed):
   设置 NumPy 的随机数生成器种子。NumPy 中的许多操作（如 np.random.rand、np.random.randn、np.random.randint 等）都依赖于随机数生成器，因此设置该种子能确保这些操作在每次运行时产生相同的结果。

3. os.environ['PYTHONHASHSEED'] = str(seed):
   设置 Python 哈希值的种子。默认情况下，Python 中的哈希值（如字典的键）在不同的会话或 Python 运行中可能会变化，这会导致非重复性。设置此环境变量可以强制 Python 在对象（如字典）中使用固定的哈希种子。

4. torch.manual_seed(seed):
   设置 PyTorch CPU 随机数生成器的种子。这会影响所有涉及随机数生成的操作，如初始化模型权重或数据增强等。

5. torch.cuda.manual_seed(seed):
   设置 PyTorch CUDA（GPU）随机数生成器的种子。如果使用 GPU，这行代码确保 GPU 上的操作也会有确定的随机数生成器。

6. torch.backends.cudnn.deterministic = True:
   设置 cuDNN（一个针对 NVIDIA GPU 优化的深度学习库）使用确定性算法。当设置为 True 时，cuDNN 会确保像卷积操作这样的运算是可重复的。然而，确定性算法可能比非确定性算法效率较低，因此这可能会导致一些操作速度变慢。