（三十七）复现实验与独立恢复
# 项目文件：demos/resume_walk.py
from pathlib import Path
from tempfile import TemporaryDirectory
import torch
from readingtorch.checkpoint import load_checkpoint
from readingtorch.engine import train
source = Path(__file__).resolve().parents[1] / "training_project/data/symbols.npz"
with TemporaryDirectory() as folder:
root = Path(folder)
# 模型含有 Dropout；恢复时同时接回模型、Adam、随机状态与批次生成器。
train("images", source, root / "full", epochs=6)
train("images", source, root / "half", epochs=3)
train("images", source, root / "resumed", epochs=6, resume=root / "half/last.pt")
full = load_checkpoint(root / "full/last.pt")
resumed = load_checkpoint(root / "resumed/last.pt")
print("历史逐项相同", full["history"] == resumed["history"])
print(
"参数逐项相同",
all(
torch.equal(value, resumed["model"][name])
for name, value in full["model"].items()
),
)脚本用带 Dropout 的图形模型做两条路线：一条连续六轮，另一条先三轮，读取 last.pt 后继续到六轮。输出的“历史逐项相同”和“参数逐项相同”均为 True。
实际核验还把三段命令放进不同 Python 进程，重新启动后继续比较。种子固定实验起点，检查点保存中途位置，二者在复现中各有自己的作用。
# 三轮完成后停止，再从这份状态继续到第六轮。
uv run reading-train train --task images --data data/symbols.npz --output runs/first --epochs 3
uv run reading-train train --task images --data data/symbols.npz --output runs/resumed --epochs 6 --resume runs/first/last.pt保存记录时一起写下数据摘要、划分、种子、依赖版本、设备和主要训练设置。更换设备或库后，先重新运行手算、前向和短训练对照，再查看相同实验的数值差异。随机控制与确定性计算可查 PyTorch 复现说明。
