Python随机数种子（randomseed）的使用

Python随机数种⼦（randomseed）的使⽤
⽬录
1.随机数种⼦
2.numpy中的随机数种⼦
3.随机数“顺序”的奥秘
在科学技术和机器学习等其他算法相关任务中，我们经常需要⽤到随机数，为了把握随机数的⽣成特性，从随机数的随机⽆序中获得确定和秩序。

我们可以利⽤随机数种⼦(random seed)来实现这⼀⽬标，随机数种⼦，可以使得引⼊了随机数的整个程序，在多次运⾏中得到确定的，⼀致的结果。

很多博⽂谈到随机数种⼦，只是简单论及，利⽤随机数种⼦，可以每次⽣成相同的随机数。

想真正⽤好掌握它，对此很容易产⽣疑惑，⽣成相同的随机数数怎么个相同法？随机数种⼦⼜作何⽤处？
1. 随机数种⼦
下⾯我们从实例中揭开随机数种⼦的神秘⾯纱：
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
通过两次运⾏以上程序，我们得到相同的结果，这说明了以下⼏点：
1. 在确定了⼀次随机数种⼦后，随机数函数，⽆论任何分布任何类型，在多次重复调⽤中(for循环)⽣成的随机数不同；
2. 当再次声明相同的随机数种⼦时(第⼆次调⽤test_random_seed_in_std_lib函数，random.seed(seed)这⼀⾏)，随机数将
从“头”开始, 按相同的顺序⽣成随机数。

这⾥的“头”，即是random.seed(seed)声明后，随机数函数的⾸次调⽤；
3. 若指定不同的随机数种⼦(seed=99)，⽆论任何随机数函数，⽣成的随机数将不同于，之前的(随机数种⼦为0)的运⾏结
果。

4. 上⾯的⼏点解释了随机数种⼦可以使得每次⽣成相同随机数的具体含义。

这⾥的相同，其实还有⼀种更普遍的内涵，即
环境独⽴和跨平台。

上⾯的实验，在任何电脑或主机，运⾏以上代码，可以复现完全⼀致的结果。

以上⼏点囊括了随机数种⼦的基本特性，下⾯我们来对numpy中的随机数种⼦作进⼀步的拓展研究。

2. numpy中的随机数种⼦
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')
多次运⾏以上的test_numpy_random_seed函数，你可以观察到与使⽤random模块时相似的情形，进⼀步验证了我们总结的关于随机数种⼦的特性。

此外，我们可以对多维随机数组做⼀些有益的探索：
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 ]]
运⾏test_mult_shape函数，我们发现，设定相同的随机数组，两次运⾏两个⼀⾏的多维正态分布的结果，与⼀次运⾏两⾏的多维正态分布的结果的第⼀⾏完全相同。

这个结果，说明了对相同类型的随机数分布，形状特征不会影响分布的⽣成秩序，程序中，np.random.randn(1, 2)，这⼀⾏不像是第⼆次运⾏多维正态分布的随机数组，它"⼏乎"是后缀于它的前⼀⾏⼀次性⽣成的。

3. 随机数“顺序”的奥秘
⾄此，我们对随机数⽣成顺序有了初步印象，但是这⾥的顺序，其实⽐我们的朴素观察更复杂，我们来进⼀步考察这⼀点。

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 ]]
运⾏以上程序，我们看到，设定了相同的随机数种⼦，np.random.randn(1, 5)看起来是第⼀次运⾏多维正态分布数组，实际上并不是，np.random.randn(2, 5)才是真正的第⼀次运⾏多维正态分布随机数组。

这说明，前⾯的np.random.random()对np.random.randn产⽣了⼲扰，使得这次正态分布的随机数组中的任何⼀个数，都不在np.random.randn(2, 5)中，这样它显⽰了⼀种不可把握的随机性。

我们可以把这⼀点考察得更加深⼊⼀点：
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 ]]
紧接上⾯对随机数⼲扰项对考察，我们看到，这次我们改变了⼲扰项随机数⽣成器，np.random.randn(1, 5)的⽣成结果不同于test_numpy_random_seed_order中同⼀⾏的运⾏结果。

另外，两次设置不同的randint的右边界，np.random.randn(1, 5)⽣成的结果也全然不同，这说明了np.random.randint设置不同的参数，即是全然不同的随机数发⽣器。

这⼀点，也不难在其他类型的随机数分布中得到验证。

到此这篇关于Python随机数种⼦(random seed)的使⽤的⽂章就介绍到这了,更多相关Python随机数种⼦内容请搜索以前的⽂章或继续浏览下⾯的相关⽂章希望⼤家以后多多⽀持！。