numpy.random.seed(0) 有什么作用？

问题描述：

做什么np.random.seed？

np.random.seed(0)

解决方案 1：

np.random.seed(0)使随机数可预测

>>> numpy.random.seed(0) ; numpy.random.rand(4)
array([ 0.55,  0.72,  0.6 ,  0.54])
>>> numpy.random.seed(0) ; numpy.random.rand(4)
array([ 0.55,  0.72,  0.6 ,  0.54])

随着种子每次重置，每次都会出现同一组数字。

如果不重置随机种子，每次调用都会出现不同的数字：

>>> numpy.random.rand(4)
array([ 0.42,  0.65,  0.44,  0.89])
>>> numpy.random.rand(4)
array([ 0.96,  0.38,  0.79,  0.53])

（伪）随机数的工作原理是从一个数字（种子）开始，将其乘以一个大数，添加一个偏移量，然后对该和取模。然后将结果用作种子来生成下一个“随机”数。当您设置种子（每次）时，它每次都会做同样的事情，给您相同的数字。

如果您想要看似随机的数字，请不要设置种子。但是，如果您有使用随机数的代码并想对其进行调试，则在每次运行之前设置种子会非常有帮助，这样每次运行代码时都会执行相同的操作。

要获取每次运行的最多随机数，请调用numpy.random.seed()。 这将导致 numpy 将种子设置为从/dev/urandom或其 Windows 模拟中获得的随机数，或者，如果这两者都不可用，它将使用时钟。

有关使用种子生成伪随机数的更多信息，请参阅维基百科。

解决方案 2：

如果每次调用numpy的其他随机函数时都设置np.random.seed(a_fixed_number)，结果将是相同的：

>>> import numpy as np
>>> np.random.seed(0) 
>>> perm = np.random.permutation(10) 
>>> print perm 
[2 8 4 9 1 6 7 3 0 5]
>>> np.random.seed(0) 
>>> print np.random.permutation(10) 
[2 8 4 9 1 6 7 3 0 5]
>>> np.random.seed(0) 
>>> print np.random.permutation(10) 
[2 8 4 9 1 6 7 3 0 5]
>>> np.random.seed(0) 
>>> print np.random.permutation(10) 
[2 8 4 9 1 6 7 3 0 5]
>>> np.random.seed(0) 
>>> print np.random.rand(4) 
[0.5488135  0.71518937 0.60276338 0.54488318]
>>> np.random.seed(0) 
>>> print np.random.rand(4) 
[0.5488135  0.71518937 0.60276338 0.54488318]

但是，如果你只调用一次并使用各种随机函数，结果仍然会有所不同：

>>> import numpy as np
>>> np.random.seed(0) 
>>> perm = np.random.permutation(10)
>>> print perm 
[2 8 4 9 1 6 7 3 0 5]
>>> np.random.seed(0) 
>>> print np.random.permutation(10)
[2 8 4 9 1 6 7 3 0 5]
>>> print np.random.permutation(10) 
[3 5 1 2 9 8 0 6 7 4]
>>> print np.random.permutation(10) 
[2 3 8 4 5 1 0 6 9 7]
>>> print np.random.rand(4) 
[0.64817187 0.36824154 0.95715516 0.14035078]
>>> print np.random.rand(4) 
[0.87008726 0.47360805 0.80091075 0.52047748]

解决方案 3：

如上所述，numpy.random.seed(0) 将随机种子设置为 0，因此您从随机获得的伪随机数将从同一点开始。在某些情况下，这可能有利于调试。但是，经过一番阅读，如果您有线程，这似乎是错误的做法，因为它不是线程安全的。

来自numpy随机数和python随机数之间的差异：

对于 numpy.random.seed()，主要的困难在于它不是线程安全的 - 也就是说，如果您有许多不同的执行线程，则使用它并不安全，因为如果两个不同的线程同时执行该函数，则不能保证它能正常工作。如果您不使用线程，并且如果您有理由预期将来不需要以这种方式重写程序，numpy.random.seed() 应该可以用于测试目的。如果有任何理由怀疑您将来可能需要线程，那么从长远来看，按照建议进行操作并创建 numpy.random.Random 类的本地实例要安全得多。据我所知，random.random.seed() 是线程安全的（或者至少，我没有发现任何相反的证据）。

如何进行此操作的示例：

from numpy.random import RandomState
prng = RandomState()
print prng.permutation(10)
prng = RandomState()
print prng.permutation(10)
prng = RandomState(42)
print prng.permutation(10)
prng = RandomState(42)
print prng.permutation(10)

可能会给出：

[3 0 4 6 8 2 1 9 7 5]

[1 6 9 0 2 7 8 3 5 4]

[8 1 5 0 7 2 9 4 3 6]

[8 1 5 0 7 2 9 4 3 6]

最后，请注意，由于异或的工作方式，在某些情况下，初始化为 0（而不是所有位都为 0 的种子）可能会导致前几次迭代的分布不均匀，但这取决于算法，超出了我目前的担忧和这个问题的范围。

解决方案 4：

我在神经网络中经常使用这种方法。众所周知，当我们开始训练神经网络时，我们会随机初始化权重。模型在特定数据集上根据这些权重进行训练。经过若干个时期后，您将获得一组训练好的权重。

现在假设您想再次从头开始训练，或者您想将模型传递给其他人以重现您的结果，权重将再次初始化为随机数，这些随机数大多与之前的随机数不同。经过相同数量的迭代（保留相同的数据和其他参数）后获得的训练权重与之前的权重将有所不同。问题是您的模型不再具有可重现性，即每次您从头开始训练模型时，它都会为您提供不同的权重集。这是因为每次都由不同的随机数初始化模型。

如果每次从头开始训练时，模型都初始化为同一组随机初始化权重，会怎么样？在这种情况下，您的模型可以变得可重复。这是通过 numpy.random.seed(0) 实现的。通过将 seed() 指定为特定数字，您将始终使用同一组随机数。

解决方案 5：

我希望能给出一个非常简短的答案：

seed使（下一个系列）随机数可预测。你可以想象每次调用后seed，它都会预先定义系列数字，并且 numpy random 会保留它的迭代器，然后每次你得到一个随机数时它都会调用 get next。

例如：

np.random.seed(2)
np.random.randn(2) # array([-0.41675785, -0.05626683])
np.random.randn(1) # array([-1.24528809])

np.random.seed(2)
np.random.randn(1) # array([-0.41675785])
np.random.randn(2) # array([-0.05626683, -1.24528809])

您会注意到，当我设置相同的种子时，无论您每次从 numpy 请求多少个随机数，它总是给出相同的一系列数字，在本例中为array([-0.41675785, -0.05626683, -1.24528809])。

解决方案 6：

以上所有答案都显示了代码中的实现np.random.seed()。我会尽力简要解释为什么会发生这种情况。计算机是基于预定义算法设计的机器。计算机的任何输出都是对输入实施算法的结果。因此，当我们要求计算机生成随机数时，它们当然是随机的，但计算机并不是随机产生的！

因此，当我们编写np.random.seed(any_number_here)算法时，它将输出一组特定于参数的数字any_number_here。这几乎就像我们传递正确的参数就可以获得一组特定的随机数。但这需要我们知道算法的工作原理，这相当繁琐。

因此，例如如果我写下np.random.seed(10)我获得的特定数字集，即使我在 10 年后执行同一行，它仍将保持不变，除非算法发生改变。

解决方案 7：

想象一下，您正在向某人展示如何使用一堆“随机”数字来编码。通过使用 numpy 种子，他们可以使用相同的种子号并获得相同的一组“随机”数字。

因此，它并不完全是随机的，因为算法会吐出数字，但它看起来像是随机生成的一堆。

解决方案 8：

随机种子指定计算机生成随机数序列的起点。

例如，假设您想在 Excel 中生成一个随机数（注意：Excel 将种子限制为 9999）。如果您在此过程中在“随机种子”框中输入一个数字，您将能够再次使用同一组随机数。如果您在框中输入“77”，并在下次运行随机数生成器时输入“77”，Excel 将显示同一组随机数。如果您输入“99”，您将得到一组完全不同的数字。但是，如果您将种子恢复为 77，那么您将获得与开始时相同的一组随机数。

例如，“取一个数字 x，加上 900 + x，然后减去 52”。为了启动该过程，您必须指定一个起始数字 x（种子）。我们取起始数字 77：

加 900 + 77 = 977 减 52 = 925 按照同样的算法，第二个“随机”数将是：

900 + 925 = 1825 减去 52 = 1773 这个简单的例子遵循一种模式，但计算机数字生成背后的算法要复杂得多

解决方案 9：

Numpy 文档中有一个很好的解释：
https://docs.scipy.org/doc/numpy-1.15.1/reference/generated/numpy.random.RandomState.html
它指的是Mersenne Twister 伪随机数生成器。有关该算法的更多详细信息，请访问：https://en.wikipedia.org/wiki/Mersenne_Twister

解决方案 10：

numpy.random.seed(0)
numpy.random.randint(10, size=5)

这会产生以下输出：
array([5, 0, 3, 3, 7])
同样，如果我们运行相同的代码，我们将得到相同的结果。

现在，如果我们将种子值 0 更改为 1 或其他值：

numpy.random.seed(1)
numpy.random.randint(10, size=5)

这会产生以下输出：array([5 8 9 5 0])但是现在的输出与上面的输出不一样。

解决方案 11：

它使随机数可预测。所有随机数都以相同的组合开始，并且此后的每次迭代都将相同。示例：

Output A: 0, 1, 2
Output B: 1, 3, 5
Output C: 2, 4, 6
Reset seed to 0
Output A: 0, 1, 2
Output B: 1, 3, 5
Output C: 2, 4, 6
Reset seed to 0
Output A: 0, 1, 2
Reset seed to 0
Output A: 0, 1, 2
.
.
.

我希望这有帮助！

解决方案 12：

设置特定种子值后生成的所有随机数在所有平台/系统上都是相同的。