可复现实验从数据版本和度量口径开始复现实验最怕“代码没变结果变了”。通常不是玄学而是数据切分、依赖、随机状态或度量实现没有一起版本化。下面把这些变量收进一份可复核记录。1. 把实验状态视为一个整体机器学习工程化的重点是让一次结论能够被独立复核。数据版本、配置、随机状态和产物位置应当一同记录任何缺项都应视为结论的边界而不是用经验补齐。实验结论要注明适用数据和未覆盖项。数据、依赖或执行路径变化后旧结果只能作为历史记录不能直接沿用。2. 从单一断言逐步扩展可先把问题缩小为固定输入上的单一断言再逐步加入数据切分、训练和服务环节。比较不同方案时保持其余条件不变并把失败样本作为下一轮检查材料。每一步都留下能失败的断言只保存输入摘要、配置和结果摘要。这样既能定位差异也不必在排障材料中复制原始数据。3. 稳定切分的示意实现以下片段保留原有技术结构。运行前请替换为本地的非敏感示例并根据依赖版本核对接口。全量原始数据 (按时间戳严格排序 T_0 - T_N) └── [T_0 --------- T_train_end] ── 训练集 (80%) └── [T_train_end -- T_val_end] ── 验证集 (10%) └── [T_val_end ---- T_N] ── 独立测试集 (10%)import hashlib def assign_bucket_by_hash(entity_id: str, salt: str exp_0813) - float: 根据实体ID的哈希值映射到 [0, 1) 区间实现稳定不漂移的数据切分 raw_str f{entity_id}_{salt} hash_hex hashlib.md5(raw_str.encode(utf-8)).hexdigest() # 截取前8位十六进制转为整数并归一化 hash_int int(hash_hex[:8], 16) return hash_int / 0xFFFFFFFF # 示例同一脱敏记录标识在相同 salt 下映射值恒定 bucket_val assign_bucket_by_hash(record_example) train_flag bucket_val 0.8 # 80% 归入训练集4. 复跑前逐项核对数据切分是否由版本化规则生成而不是手工复制。随机种子、依赖锁文件和硬件信息是否随结果保存。比较双方是否使用同一数据范围与度量实现。失败样本能否用最小脚本重新触发。总结可复现不等于每次浮点值都逐位相同而是差异有来源、条件能还原、结论可再次检验。