论文复现失败时，先留下数据、配置和随机状态

论文复现失败时，先留下数据、配置和随机状态

论文复现对不上时，一句“可能是随机种子”解释不了问题。数据处理、模型配置、初始化、度量实现和运行环境都需要留下可核对的摘要。

1. 先对齐论文和代码的隐含条件

论文复现首先对齐数据处理、模型配置、随机状态和度量实现。公开结果可以作为参照，但不能替代对本地实验条件的逐项核验。

论文中的公开结果是参照，不是本地实验自动应得的答案。缺失条件要明确标注，不能靠猜测补齐。

2. 从最早出现差异的位置排查

协作时应把输入格式、配置字段、产物和复核责任写成接口约定。无法复现的部分要明确标注缺失条件，不将推测写成结论。

按数据预处理、中间张量、损失和度量的顺序对比，只保存必要摘要。这样可以定位首个分叉点，也避免泄露原始数据。

3. 复现记录示例

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。

def register_tensor_hook(module: torch.nn.Module, layer_name: str, dump_dict: dict): """注册前向传播 Hook 以拦截中间层 Tensor""" def hook(mod, inp, out): dump_dict[layer_name] = out.detach().cpu() return module.register_forward_hook(hook)

4. 交付复现包前检查

• 数据预处理与官方实现的差异是否列出。
• 权重、配置和依赖是否有可核对标识。
• 随机状态与非确定性算子是否记录。
• 无法复现的部分是否注明缺失条件。

总结

复现失败并不可耻，含糊地把偏差归因于“环境不同”才会让下一轮继续从头猜。