相关随机性固定方法都必须与待固定的网络、算子等在同一个主进程，部分模型脚本中main()与训练网络并不在一个进程中。
在当前ACL搜索中没有匹配编译缓存key的确定性开关数据，导致每次更新都使用_deterministic_算法，使用ACL层缓存中的配置信息，不能及时更新算子的确定性信息。
解决方案：
- 使用multiprocessing的spawn作为一个进程，可以独立使用，ACL算子缓存不会干扰。
- 每次运行时删除PTA的缓存（cache目录下的内容）。

在使用PyTorch框架进行训练时，若需要设置随机数种子，在GPU或CPU上固定每次的训练结果，需在程序执行的开始处添加以下代码。随机数种子seed确定时，模型的训练结果将始终保持一致。

当前对aicpu的卷积和卷积算法等算子的随机固定使用为：

torch.use_deterministic_algorithms(True)

验证是否设置成功可参考以下方法。

查询设置接口：
```
torch.are_deterministic_algorithms_enabled()
```
验证示例：
```
print(torch.are_deterministic_algorithms_enabled())
```
执行训练时，打印此接口的返回值为True表示当前已开启确定性计算开关，返回False则表示未开启。
进入debug日志搜索“ge.deterministic”，若出现以下类似内容则表示已开启确定性计算开关。
```
aclSetCompileopt: Set compile option [ge.deterministic] and value [1]
```

设置确定性计算开关