tf.random.set_seed 须在导入 tf 后、任何随机操作前调用且仅一次；需额外设置 python/numpy 种子，显式传入 dataset.shuffle、层初始化器及随机算子的 seed 参数，并启用 op determinism 以确保复现性。
tf.random.set_seed 不起作用？先确认是否漏了关键位置
全局种子必须在所有随机操作之前调用，且只调用一次；如果在模型构建或数据加载之后才设 seed，tf.random.set_seed 对已初始化的变量、tf.data.Dataset.shuffle 或 tf.keras.layers.Dropout 等内部随机行为基本无效。
- 务必在导入 TensorFlow 后、任何张量创建或模型定义前调用
tf.random.set_seed(42) - 如果用了多线程/多进程（如
tf.data.Dataset.prefetch或自定义 Python 多进程），tf.random.set_seed不影响底层 Python 的random模块或 NumPy，需额外设置random.seed(42)和np.random.seed(42) - 在 Jupyter 中反复运行 cell 时，若未重启内核，之前创建的图或变量状态可能残留，导致“设了 seed 还不一样”
为什么训练结果仍不一致？检查这些非 TF 随机源
tf.random.set_seed 只控制 TensorFlow 原生随机算子（如 tf.random.normal、tf.random.uniform），但实际训练中还有多个“漏网之鱼”：
-
tf.data.Dataset.shuffle(buffer_size=...)：必须显式传入seed=42参数，否则每次迭代 shuffle 顺序不同 —— 即使全局 seed 已设 - GPU 非确定性运算：启用
tf.config.experimental.enable_op_determinism()（TF 2.8+）才能禁用 CUDA 的浮点约简优化；否则即使 seed 固定，tf.reduce_sum等在 GPU 上结果也可能微小浮动 - Keras 初始化器：像
kernel_initializer='glorot_uniform'默认不带 seed，应改用tf.keras.initializers.GlorotUniform(seed=42)
多 GPU / 分布式训练下如何保复现？别只靠 set_seed
在 tf.distribute.MirroredStrategy 或 TPUStrategy 下，每个设备有独立随机状态，tf.random.set_seed 仅设置主机端默认种子，不广播到 worker。
- 必须对每个随机操作显式传入
seed参数，例如tf.random.normal(shape, seed=42)，而非依赖全局状态 - 避免使用无 seed 参数的高阶封装，如
model.compile(optimizer='adam')—— Adam 内部动量更新含随机初始化，应写成optimizer=tf.keras.optimizers.Adam(learning_rate=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-7, name='Adam')并确保其初始化逻辑可复现（TF 2.11+ 已修复部分问题，旧版本建议降级或手动 patch） - 验证时用
strategy.run包裹随机操作，并统一传入相同seed，否则各 replica 生成不同序列
验证复现性的最小可靠测试方式
不要直接比对整个模型输出，先隔离验证最基础的随机行为是否稳定：
- 写一个纯
tf.random调用的小函数，多次运行看输出是否完全一致：import tensorflow as tf<br>tf.random.set_seed(42)<br>print(tf.random.normal([2, 2]).numpy())
—— 必须每次输出字节级相同 - 关闭所有外部干扰：禁用
tf.data.AUTOTUNE、设num_parallel_calls=1、用list(dataset.as_numpy_iterator())而非流式迭代 - 注意 TF 版本差异：2.10 之前
set_seed对tf.keras.layers.RandomFlip等预处理层无效，必须升级或换用tf.image.stateless_random_flip_left_right
真正卡住复现的，往往不是 set_seed 本身，而是那些没显式接收到 seed 的组件、GPU 非确定性、或跨进程/线程的随机状态分裂 —— 把它们一个个堵死，比反复调 seed 值更有效。
