训练模型过程中，会遇到很多的随机性设置，设置随机性并多次实验的结果更加有说服力。但是现在发论文越来越要求模型的可复现性，这时候不得不控制代码的随机性问题
且每次随机的初始权重一样，有利于实验的比较和改进

须知：随机种子和神经网络训练没有直接关系，随机种子的作用就是产生权重为初始条件的随机数。神经网络效果的好坏直接取决于学习率和迭代次数。

简单的说，计算机中生成随机数的过程并不随机百，但是其初始数（种子）是随机的。在深度学习中，（比如深度神经网络）我们常常需要对网络中超参数设定初始值，比如权重，在这里我们需要用到一些生成随机数的函数，这些函数一般通过手动设定种子，如果种子设定为相同的，那么得到的初始权重就是一样的。

最优随机种子不应该去找，随机性的存在正好用来评估模型的鲁棒性。一个优秀的模型，不会因为随机初始的位置略微不同，而找不到最优的位置。这是模型本身应该要化解的工作，而不是人为选择一个随机数。

相关函数：

• torch.manual_seed(number)：为CPU中设置种子，生成随机数；
• torch.cuda.manual_seed(number)：为特定GPU设置种子，生成随机数；
• torch.cuda.manual_seed_all(number)：为所有GPU设置种子，生成随机数；

torch.manual_seed(1)是为了设置CPU的的随机数固定，使得紧跟着运行同一个.py文件的rand（）函数==【随机函数】==生成的值是固定的随机！

但是设置随机种子后，是每次运行test.py文件的输出结果都一样，而不是每次随机函数生成的结果一样：

# test.py
import torch
torch.manual_seed(0)
print(torch.rand(1))
print(torch.rand(1))

输出：

tensor([0.4963])
tensor([0.7682])

如果你就是想要每次运行随机函数生成的结果都一样，那你可以在每个随机函数前都设置一模一样的随机种子：

# test.py
import torch
torch.manual_seed(0)
print(torch.rand(1))
torch.manual_seed(0)
print(torch.rand(1))

输出：

tensor([0.4963])
tensor([0.4963])

参考：【PyTorch】torch.manual_seed() 详解