目錄
- 1. 隨機數(shù)種子
- 2. numpy中的隨機數(shù)種子
- 3. 隨機數(shù)“順序”的奧秘
在科學(xué)技術(shù)和機器學(xué)習(xí)等其他算法相關(guān)任務(wù)中，我們經(jīng)常需要用到隨機數(shù)，為了把握隨機數(shù)的生成特性，從隨機數(shù)的隨機無序中獲得確定和秩序。我們可以利用隨機數(shù)種子(random seed)來實現(xiàn)這一目標(biāo)，隨機數(shù)種子，可以使得引入了隨機數(shù)的整個程序，在多次運行中得到確定的，一致的結(jié)果。
很多博文談到隨機數(shù)種子，只是簡單論及，利用隨機數(shù)種子，可以每次生成相同的隨機數(shù)。想真正用好掌握它，對此很容易產(chǎn)生疑惑，生成相同的隨機數(shù)數(shù)怎么個相同法？隨機數(shù)種子又作何用處？
1. 隨機數(shù)種子
下面我們從實例中揭開隨機數(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
通過兩次運行以上程序，我們得到相同的結(jié)果，這說明了以下幾點：
- 在確定了一次隨機數(shù)種子后，隨機數(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))生成的隨機數(shù)不同；
- 當(dāng)再次聲明相同的隨機數(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)，隨機數(shù)將從“頭”開始, 按相同的順序生成隨機數(shù)。這里的“頭”，即是random.seed(seed)聲明后，隨機數(shù)函數(shù)的首次調(diào)用；
- 若指定不同的隨機數(shù)種子(seed=99)，無論任何隨機數(shù)函數(shù)，生成的隨機數(shù)將不同于，之前的(隨機數(shù)種子為0)的運行結(jié)果。
- 上面的幾點解釋了隨機數(shù)種子可以使得每次生成相同隨機數(shù)的具體含義。這里的相同，其實還有一種更普遍的內(nèi)涵，即環(huán)境獨立和跨平臺。上面的實驗，在任何電腦或主機，運行以上代碼，可以復(fù)現(xiàn)完全一致的結(jié)果。
以上幾點囊括了隨機數(shù)種子的基本特性，下面我們來對numpy中的隨機數(shù)種子作進(jìn)一步的拓展研究。
2. numpy中的隨機數(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)于隨機數(shù)種子的特性。
此外，我們可以對多維隨機數(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 ]]
運行test_mult_shape函數(shù)，我們發(fā)現(xiàn)，設(shè)定相同的隨機數(shù)組，兩次運行兩個一行的多維正態(tài)分布的結(jié)果，與一次運行兩行的多維正態(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行多維正態(tài)分布的隨機數(shù)組，它"幾乎"是后綴于它的前一行一次性生成的。
3. 隨機數(shù)“順序”的奧秘
至此，我們對隨機數(shù)生成順序有了初步印象，但是這里的順序，其實比我們的樸素觀察更復(fù)雜，我們來進(jìn)一步考察這一點。
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 ]]
運行以上程序，我們看到，設(shè)定了相同的隨機數(shù)種子，np.random.randn(1, 5)看起來是第一次運行多維正態(tài)分布數(shù)組，實際上并不是，np.random.randn(2, 5)才是真正的第一次運行多維正態(tài)分布隨機數(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性。
我們可以把這一點考察得更加深入一點：
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 ]]
緊接上面對隨機數(shù)干擾項對考察，我們看到，這次我們改變了干擾項隨機數(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數(shù)發(fā)生器。這一點，也不難在其他類型的隨機數(shù)分布中得到驗證。
到此這篇關(guān)于Python隨機數(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！
您可能感興趣的文章:- Python生成隨機數(shù)的方法
- Python random模塊（獲取隨機數(shù)）常用方法和使用例子
- Python使用numpy產(chǎn)生正態(tài)分布隨機數(shù)的向量或矩陣操作示例
- python 生成不重復(fù)的隨機數(shù)的代碼
- 詳解Python利用random生成一個列表內(nèi)的隨機數(shù)
- Python編程實現(xiàn)生成特定范圍內(nèi)不重復(fù)多個隨機數(shù)的2種方法
- Python常用隨機數(shù)與隨機字符串方法實例
- python3生成隨機數(shù)實例
- python生成多個只含0,1元素的隨機數(shù)組或列表的實例
- Python產(chǎn)生一個數(shù)值范圍內(nèi)的不重復(fù)的隨機數(shù)的實現(xiàn)方法
