prai-reproducibility

npx skills add brycewang-stanford/Awesome-Journal-Skills --skill prai-reproducibility --agent claude-code

Same command for any agent — swap --agent for codex, cursor, copilot.

# 《模式识别与人工智能》可复现性与实验可重复 本技能帮助为《模式识别与人工智能》(Pattern Recognition and Artificial Intelligence, PR&AI) 论文 建立可复现的实验证据。模式识别/机器学习结果易受随机性、环境与数据划分影响，可复现性直接关系外审 对结果的信任。事实核验日期 2026-07-09，见 `resources/official-source-map.md`；本刊是否设**强制** 代码/数据可用性或复现要求 **待核实**，以官网当期须知为准。 ## 一、随机性控制 - 固定所有随机源的**种子**：框架(PyTorch/NumPy/Python)、数据打乱、初始化、增强。 - 记录是否使用确定性算子（如 cudnn.deterministic），并说明其对速度的影响。 - 报告**多次运行**的均值±标准差（与 `prai-experiments` 一致），而非单次幸运结果。 ## 二、环境与依赖锁定 | 项 | 记录方式 | |---|---| | Python/框架版本 | requirements.txt / environment.yml 精确版本 | | CUDA/cuDNN/驱动 | 写入 README，影响可复现 | | 硬件 | GPU 型号与数量、显存、CPU | | 容器 | 可选 Dockerfile 固化环境 | ## 三、数据与划分固定 - **数据集划分**（train/val/test）固定并随复现包提供划分文件或脚本。 - 预处理（归一化、裁剪、分词、采样）脚本化、可重跑、对所有方法一致。 - 数据来源与许可写清；不可公开的数据说明获取途径与替代验证方式。 - 排查**数据泄漏**：划分无重叠、预训练语料与评测集不重叠。 ## 四、预训练与大模型记录 - 记录预训练权重来源、版本、checkpoint 标识。 - 若用大模型/外部 API，记录**模型版本与调用日期**（模型会更新，影响可复现）。 - 说明是否可能在预训练阶段见过评测数据（污染风险）。 ## 五、复现包组织（建议结构） ``` artifact/ README.md # 环境、一键复现步骤、结果对照说明 requirements.txt # 精确依赖 configs/ # 每个实验的配置(含种子) scripts/run_all.sh # 一键复现主结果 data/README.md # 数据获取与划分说明(大数据走稳定托管) results/ # 期望产物(对照论文表图) ``` ## 六、干净环境冒烟测试 投稿前在**全新环境**跑一次，确认从零可复现（参见 `resources/code/README.md`）： ```bash python3 -m venv .venv && . .ve

python3 -m venv .venv && . .venv/bin/activate
pip install -r requirements.txt
bash scripts/run_all.sh --seed 20260709