设置随机种子以确保结果的可复现性（pytorch、numpy、random、os）

在机器学习和深度学习任务中，随机性是一个常见的因素。在某些情况下，我们希望能够获得可复现的结果，以便于调试、复现实验结果或确保结果的一致性。为了实现这一目标，设置随机种子是一种常用的方法。

在本篇博客中，将介绍如何使用Python和一些常用的库来设置随机种子，以确保在相同的种子下生成的随机数序列是一致的。

设置随机种子的方法

def seed_all(seed):
    """
    设置PyTorch的随机种子, 用于生成随机数. 通过设置相同的种子, 可以确保每次运行时生成的随机数序列相同
    """
    torch.manual_seed(seed)

    """
    设置PyTorch在所有可用的CUDA设备上的随机种子. 如果在使用GPU进行计算, 这个设置可以确保在不同的GPU上生成的随机数序列相同
    """
    torch.cuda.manual_seed_all(seed)

    """
    设置PyTorch在当前CUDA设备上的随机种子. 它与上一行代码的作用类似, 但只影响当前设备
    """
    torch.cuda.manual_seed(seed)

    """
    设置NumPy的随机种子, 用于生成随机数. 通过设置相同的种子，可以确保在使用NumPy的随机函数时生成的随机数序列相同
    """
    np.random.seed(seed)
    
    """
    设置Python内置的随机函数的种子. Python的random模块提供了许多随机函数, 包括生成随机数、打乱列表等. 通过设置相同的种子, 可以确保使用这些随机函数时生成的随机数序列相同
    """
    r