假设我有一个 Python 项目结构为：
main.py导入random_initialization.py
main.py导入sample_around_solution.py
random_initialization 和 sample_around_solution.py 都导入 numpy。
现在，
random_initialization 启动一个问题的随机实例，main 运行一个算法，sample_around_solution 使用解决方案周围的随机样本来计算一些度量（比如解决方案的质量）。
我想要运行的可复制性，我在两个导入的文件中都有numpy.random.seed(0)。这是正确的方法吗？我觉得可能存在一些极端情况，这是一个可怕的想法。
【问题讨论】：
我更喜欢让模拟的每个组件都使用自己的随机数生成器。如果每个 Monte Carlo 组件都有自己的模块，并且您想要模块的全局 rng 状态，那么您可以在模块中放置一个初始化函数：
def init_rng(seed):
global rng
rng = numpy.random.RandomState(seed=seed)
然后您可以独立设置和控制每个过程，即
import componentA
import componentB
import componentC
componentA.init_rng(0)
componentB.init_rng(1)
componentC.init_rng(2)
如果您不喜欢全局变量，您还可以将随机过程封装在具有 rng 属性和初始化函数的类中。
如果所有进程共享同一个生成器，那么 processA 的结果可能取决于 processB 生成的数字等...
【讨论】：
我认为最好不要让任何东西操纵随机种子，除了最顶层的模块，它通常是
一个简短的main.py，只是imports，做一些程序选项和配置，并调用其他东西）
unittest
播种的单点允许做一些有用的事情，例如，
您可以控制设置可重复性的种子（如您所写）。
您可以控制改变种子以获得更好的覆盖率（例如，如果您将通过单元测试运行子模块）。
您可以将种子存储在持久存储中，这样如果某些执行出现问题，您可以重现它。
相反，如果子模块自己播种，则不能。我也认为这是错误的封装：它不是做一些定义明确的功能 X 的模块，而是做 X + 种子。
顺便说一句，几年前我写了一个tiny library on PyPI - UnittestRandGenState 为unittest 做“智能”播种，然后考虑了一下。它基本上依赖于你所提议的内容的缺失。
【讨论】：