训练复现实验随机种子固定只是第一步一、复现不是跑出差不多机器学习实验经常说“结果可复现”但很多时候只是固定了随机种子。真正复现需要代码、数据、环境、参数、硬件、依赖版本和评测脚本都可追踪。否则今天的结果过两周可能没人能解释。随机种子固定只是第一步不是复现实验的全部。二、先保存实验元数据flowchart TD A[实验运行] -- B[代码版本] A -- C[数据版本] A -- D[参数配置] A -- E[环境依赖] A -- F[指标结果]每次实验都应该记录这些信息。缺任何一项复现都会变成猜。experiment_metadata: git_commit: required dataset_version: required config_hash: required docker_image: required seed: required配置也要 hash。否则参数文件被改了实验记录却看不出来。三、随机性来源很多import random import numpy as np import torch random.seed(42) np.random.seed(42) torch.manual_seed(42) torch.cuda.manual_seed_all(42)除了 Python、NumPy、PyTorch还要考虑 DataLoader worker、CUDA 算子、分布式训练顺序。某些操作天然非确定强行 deterministic 可能降低性能。复现实验要说明使用了哪些确定性设置以及是否允许小范围波动。四、数据版本要锁住数据集如果每天更新固定代码也复现不了。训练集、验证集、测试集都要有版本。预处理脚本也要版本化因为同一份原始数据经过不同清洗规则会变成不同训练数据。dataset_manifest: raw_data_hash: sha256:xxx preprocess_commit: abc123 split_seed: 42 train_size: 100000最好保存 split 文件而不是只保存 split seed。因为数据顺序变化后同一个 seed 也可能切出不同集合。最后复现要定期演练。随机挑一个历史实验从记录里重新跑一遍确认能得到接近结果。只有演练过才能知道记录是否足够。复现还要定义容忍范围。深度学习实验可能因为硬件、并行顺序和非确定算子产生轻微波动。报告里应写明主要指标允许的误差范围而不是要求逐位相同。reproduction_tolerance: accuracy_delta: 0.003 loss_delta: 0.01 speed_delta_percent: 5环境镜像也要保存。只保存 requirements 不够因为系统库、CUDA、驱动和编译选项都会影响结果。Docker 镜像 digest 或 Conda lock 文件比自由文本说明可靠。还要记录失败复现。复现失败并不是无效信息它能暴露记录缺口、依赖漂移或代码不可重复。失败记录应该进入实验系统而不是被悄悄删掉。最后复现任务最好由非原作者执行。原作者脑子里有隐含上下文外部复现更能检验记录是否完整。模型产物也要有固定存储位置。checkpoint、tokenizer、配置快照、评测输出和训练日志如果散落在不同机器上复现时很容易只找到一部分。产物路径应写进实验记录并且带上不可变版本号。artifact_bundle: checkpoint: required tokenizer: required config_snapshot: required eval_outputs: required immutable_uri: true复现状态可以分级标记。例如exact表示指标在容忍范围内且日志一致close表示主指标接近但速度或次要指标有差异failed表示无法得到可比较结果。状态明确后团队才知道哪些实验可以引用哪些只能作为线索。五、总结训练复现实验要记录代码、数据、配置、环境、随机性来源和评测脚本并定期演练历史实验。随机种子固定只是第一步。复现能力来自完整证据链。