pytorch如何能够保证模型的可重复性

问题背景是这样的：

我用了自己定义了pytorch中的模型，并且，在main函数中设置了随机种子用来保证模型初始化的参数是一致的，同时pytorch中的随机种子也能够影响dropout的作用，见链接

为了保证所有的参数都一样，我在设置dataloader的时候，数据并没有进行shuffle，这样能够在每一个iteration的时候，没有random的操作

但是，一旦我把模型放到GPU上运行之后，我把网络中间输出的feature map保存下来，进行比较，发现同一个位置，两次运行的feature的值竟然不一样

难道是网络的初始化不一样咩？在第一个iteration运行的时候，还没有更新参数的时候，我将网络的参数进行保存成numpy，运行两次，进行比较，发现两次模型的参数都一样！

 

so， 模型的参数都是一样的，输入的数据也是一样的，难道我自己定义的网络层里面有一些random的操作？我自己定义的网络层里面有BN层，卷积以及转置卷积层，一旦这里面的超参数确定的话，实际上两次运行的结果应该是absolutely一致的，so，问题出在哪里？

 

在pytorch forum上看到一个类似的问题，说是在GPU上运行的结果和CPU运行的结果不一致，我试了一下，果然还真是这样，把模型放到CPU上，两次运行的结果absolutely一致。

但是仍然不理解，为什么GPU上会有运算误差，但是我也不能一直在CPU上运行模型吧，于是乎，在网上搜到这样一个类似的帖子，实际上pytorch forum上吐槽这个问题的人太多，当然解决的办法也是很简单

在主函数中加上一句

torch.backends.cudnn.deterministic = True

用以保证实验的可重复性，果然，两次运行的结果完全一致