我知道可以设置种子以将更多的确定性纳入培训。但是，可能有其他伪随机序列产生稍微更好的结果？

那是对的。如果您通过设计（例如初始化神经网络参数）为本质上具有随机行为的过程修复种子，那么您对模型的了解是，考虑到您选择的超参数和特定的种子，它是最好的模型。有时种子的价值是高度相关的，有时则不那么重要。

由于结果可能是随机的，研究人员如何知道他们表现最好的模型是什么？

通常，与任何测量值可变的实验一样，通过多次运行实验并对结果集进行统计。这将使您更好地了解算法在一般情况下是如何工作的，而与特定种子无关。您仍然可以修复您的 RNG 种子以获得可重复性，但您将需要多组它们。

对于某些目标，例如尽可能制作最好的模型，无论您采用的方法是否“总体上最好”，这都是没有必要的。例如，创造最先进性能的单次运行仍然令人感兴趣。或者，如果您正在创建一个想要在生产中使用的模型，您可能不太关心技术的稳定性（以及“幸运”），而是拥有一个执行任务的高性能代理。