在科學(xué)技術(shù)和機(jī)器學(xué)習(xí)等其他算法相關(guān)任務(wù)中，我們經(jīng)常需要用到隨機(jī)數(shù)，為了把握隨機(jī)數(shù)的生成特性，從隨機(jī)數(shù)的隨機(jī)無序中獲得確定和秩序。我們可以利用隨機(jī)數(shù)種子(random seed)來實(shí)現(xiàn)這一目標(biāo)，隨機(jī)數(shù)種子，可以使得引入了隨機(jī)數(shù)的整個程序，在多次運(yùn)行中得到確定的，一致的結(jié)果。

很多博文談到隨機(jī)數(shù)種子，只是簡單論及，利用隨機(jī)數(shù)種子，可以每次生成相同的隨機(jī)數(shù)。想真正用好掌握它，對此很容易產(chǎn)生疑惑，生成相同的隨機(jī)數(shù)數(shù)怎么個相同法？隨機(jī)數(shù)種子又作何用處？

1. 隨機(jī)數(shù)種子

下面我們從實(shí)例中揭開隨機(jī)數(shù)種子的神秘面紗：

import random

# print(help(random))

def test_random_seed_in_std_lib(seed=0, cnt=3):
    random.seed(seed)
    print("test seed: ", seed)
    for _ in range(cnt):
        print(random.random())
        print(random.randint(0,100))
        print(random.uniform(1, 10))
        print('\n')
test_random_seed_in_std_lib()
test seed:  0
0.8444218515250481
97
9.01219528753418

0.04048437818077755
65
5.373349269065314

0.9182343317851318
38
9.710199954281542
test_random_seed_in_std_lib()
test seed:  0
0.8444218515250481
97
9.01219528753418

0.04048437818077755
65
5.373349269065314

0.9182343317851318
38
9.710199954281542
test_random_seed_in_std_lib(99)
test seed:  99
0.40397807494366633
25
6.39495190686897

0.23026272839629136
17
7.8388969285727015

0.2511510083752201
49
5.777313434770537

通過兩次運(yùn)行以上程序，我們得到相同的結(jié)果，這說明了以下幾點(diǎn)：

1. 在確定了一次隨機(jī)數(shù)種子后，隨機(jī)數(shù)函數(shù)，無論任何分布任何類型，在多次重復(fù)調(diào)用中(for循環(huán))生成的隨機(jī)數(shù)不同；
2. 當(dāng)再次聲明相同的隨機(jī)數(shù)種子時(第二次調(diào)用test_random_seed_in_std_lib函數(shù)，random.seed(seed)這一行)，隨機(jī)數(shù)將從“頭”開始, 按相同的順序生成隨機(jī)數(shù)。這里的“頭”，即是random.seed(seed)聲明后，隨機(jī)數(shù)函數(shù)的首次調(diào)用；
3. 若指定不同的隨機(jī)數(shù)種子(seed=99)，無論任何隨機(jī)數(shù)函數(shù)，生成的隨機(jī)數(shù)將不同于，之前的(隨機(jī)數(shù)種子為0)的運(yùn)行結(jié)果。
4. 上面的幾點(diǎn)解釋了隨機(jī)數(shù)種子可以使得每次生成相同隨機(jī)數(shù)的具體含義。這里的相同，其實(shí)還有一種更普遍的內(nèi)涵，即環(huán)境獨(dú)立和跨平臺。上面的實(shí)驗，在任何電腦或主機(jī)，運(yùn)行以上代碼，可以復(fù)現(xiàn)完全一致的結(jié)果。

以上幾點(diǎn)囊括了隨機(jī)數(shù)種子的基本特性，下面我們來對numpy中的隨機(jī)數(shù)種子作進(jìn)一步的拓展研究。

2. numpy中的隨機(jī)數(shù)種子

import numpy as np
def test_numpy_random_seed(seed=0, cnt=3):
    np.random.seed(seed)
    print("test numpy seed: ", seed)
    for _ in range(cnt):
        print(np.random.random())
        print(np.random.randn(1, 5))
        print(np.random.uniform(1, 10, 5))
        print('\n')

多次運(yùn)行以上的test_numpy_random_seed函數(shù)，你可以觀察到與使用random模塊時相似的情形，進(jìn)一步驗證了我們總結(jié)的關(guān)于隨機(jī)數(shù)種子的特性。

此外，我們可以對多維隨機(jī)數(shù)組做一些有益的探索：

def test_mult_shape(seed=0):
    np.random.seed(seed)
    print(np.random.randn(1, 3))
    print(np.random.randn(1, 2))

    np.random.seed(seed)
    print(np.random.randn(2, 5))
test_mult_shape()
[[1.76405235 0.40015721 0.97873798]]
[[2.2408932  1.86755799]]
[[ 1.76405235  0.40015721  0.97873798  2.2408932   1.86755799]
 [-0.97727788  0.95008842 -0.15135721 -0.10321885  0.4105985 ]]

運(yùn)行test_mult_shape函數(shù)，我們發(fā)現(xiàn)，設(shè)定相同的隨機(jī)數(shù)組，兩次運(yùn)行兩個一行的多維正態(tài)分布的結(jié)果，與一次運(yùn)行兩行的多維正態(tài)分布的結(jié)果的第一行完全相同。

這個結(jié)果，說明了對相同類型的隨機(jī)數(shù)分布，形狀特征不會影響分布的生成秩序，程序中，np.random.randn(1, 2)，這一行不像是第二次運(yùn)行多維正態(tài)分布的隨機(jī)數(shù)組，它"幾乎"是后綴于它的前一行一次性生成的。

3. 隨機(jī)數(shù)“順序”的奧秘

至此，我們對隨機(jī)數(shù)生成順序有了初步印象，但是這里的順序，其實(shí)比我們的樸素觀察更復(fù)雜，我們來進(jìn)一步考察這一點(diǎn)。

def test_numpy_random_seed_order(seed=0):
    np.random.seed(seed)
    print(np.random.random())
    # print(np.random.randint(1, 10))
    print(np.random.randn(1, 5))


    np.random.seed(seed)
    print(np.random.randn(2, 5))
test_numpy_random_seed_order()
0.5488135039273248
[[ 0.74159174  1.55291372 -2.2683282   1.33354538 -0.84272405]]
[[ 1.76405235  0.40015721  0.97873798  2.2408932   1.86755799]
 [-0.97727788  0.95008842 -0.15135721 -0.10321885  0.4105985 ]]

運(yùn)行以上程序，我們看到，設(shè)定了相同的隨機(jī)數(shù)種子，np.random.randn(1, 5)看起來是第一次運(yùn)行多維正態(tài)分布數(shù)組，實(shí)際上并不是，np.random.randn(2, 5)才是真正的第一次運(yùn)行多維正態(tài)分布隨機(jī)數(shù)組。

這說明，前面的np.random.random()對np.random.randn產(chǎn)生了干擾，使得這次正態(tài)分布的隨機(jī)數(shù)組中的任何一個數(shù)，都不在np.random.randn(2, 5)中，這樣它顯示了一種不可把握的隨機(jī)性。

我們可以把這一點(diǎn)考察得更加深入一點(diǎn)：

def test_numpy_random_seed_order_further(seed=0, randint_high=10):
    np.random.seed(seed)
    print(np.random.randint(1, randint_high))
    print(np.random.randn(1, 5))


    np.random.seed(seed)
    print(np.random.randn(2, 5))
test_numpy_random_seed_order_further()
6
[[ 0.11849646  0.11396779  0.37025538  1.04053075 -1.51698273]]
[[ 1.76405235  0.40015721  0.97873798  2.2408932   1.86755799]
 [-0.97727788  0.95008842 -0.15135721 -0.10321885  0.4105985 ]]
test_numpy_random_seed_order_further(randint_high=5)
1
[[ 1.12279492  0.30280522  0.07085926  0.07304142 -1.42232584]]
[[ 1.76405235  0.40015721  0.97873798  2.2408932   1.86755799]
 [-0.97727788  0.95008842 -0.15135721 -0.10321885  0.4105985 ]]

緊接上面對隨機(jī)數(shù)干擾項對考察，我們看到，這次我們改變了干擾項隨機(jī)數(shù)生成器，np.random.randn(1, 5)的生成結(jié)果不同于test_numpy_random_seed_order中同一行的運(yùn)行結(jié)果。

另外，兩次設(shè)置不同的randint的右邊界，np.random.randn(1, 5)生成的結(jié)果也全然不同，這說明了np.random.randint設(shè)置不同的參數(shù)，即是全然不同的隨機(jī)數(shù)發(fā)生器。這一點(diǎn)，也不難在其他類型的隨機(jī)數(shù)分布中得到驗證。

到此這篇關(guān)于Python隨機(jī)數(shù)種子(random seed)的使用的文章就介紹到這了,更多相關(guān)Python隨機(jī)數(shù)種子內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！