pytorch固定随机数种子，使实验结果可复现

 有时修改了网络、做了数据预处理、调参等，希望测试下实验结果是否有变化，若不固定随机数种子，那由于神经网络里的一些随机过程和cudnn的优化等问题，会使每次实验结果不一样。所以固定随机数种子，能够使实验结果可复现，方便调参、调试网络。
 在代码开头按如下配置即可：

RANDOM_SEED = 42 # any random number
def set_seed(seed):
	random.seed(seed)
    np.random.seed(seed)
    torch.manual_seed(seed) # CPU
    torch.cuda.manual_seed(seed) # GPU
    torch.cuda.manual_seed_all(seed) # All GPU
    os.environ['PYTHONHASHSEED'] = str(seed) # 禁止hash随机化
    torch.backends.cudnn.deterministic = True # 确保每次返回的卷积算法是确定的
    torch.backends.cudnn.benchmark = False # True的话会自动寻找最适合当前配置的高效算法，来达到优化运行效率的问题。False保证实验结果可复现
set_seed(RANDOM_SEED)

【坑：在jupyter notebook里要注意，比如模型预测要和随机数种子的设置要在同个code cell里才有用】

【注：随机数种子也不要故意去测试得到一个使你实验结果最好的，因为这样也并不能代表你模型的鲁棒性，所以随机数随便整一个就好，如果不是为了实验可复现时，可以不用固定，多测几组来取平均，这样能更好的评估模型的性能。】