deterministic training（确定性训练）是一种训练机器学习模型的方式，其主要特点是确保在相同的初始条件下，每次训练都会得到相同的结果。换句话说，确定性训练旨在消除随机性，使得模型的训练过程是可重复和可预测的。

deterministic training可以确保模型的结果可复现，从而有利于不同研究者互相对比参考实验结果。

想要实现deterministic training，首先需要知道模型随机性的来源，有如下几个方面：初始化权重、数据加载的顺序、dropout、优化器的随机性（如随机梯度下降中的随机梯度选择）、CUDA的随机性等。

想要用pytorch实现deterministic training就需要固定上面提到的随机性因素，另外，超参数也要保障每次都相同。

# 设置随机数种子  
torch.manual_seed(0)  
torch.cuda.manual_seed_all(0)  # GPU种子也要设置  
torch.backends.cudnn.deterministic = True  # 设置CUDNN为deterministic  
torch.backends.cudnn.benchmark = False  # 关闭CUDNN的自动调优，确保每次运行都一致  data = torch.randn(100, 10)  
dataset = TensorDataset(data, target)  
loader = DataLoader(dataset, batch_size=10, shuffle=False)  # shuffle设为False以保证数据顺序  

以上就可以做到deterministic training，但是由于不同硬件带来的些微结果差距是始终无法消除的，不过一般来说也影响不大。