Python隨機數(shù)種子(random seed)的使用

更新時間：2021年07月28日 15:01:26 作者：geeks_reign

在科學技術和機器學習等其他算法相關任務中，我們經(jīng)常需要用到隨機數(shù)，本文就詳細的介紹一下Python隨機數(shù)種子，具有一定的參考價值，感興趣的小伙伴們可以參考一下

在科學技術和機器學習等其他算法相關任務中，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，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，在多次重復調用中(for循環(huán))生成的隨機數(shù)不同；
當再次聲明相同的隨機數(shù)種子時(第二次調用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，可以復現(xiàn)完全一致的結果。

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，進一步驗證了我們總結的關于隨機數(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)分布的結果，與一次運行兩行的多維正態(tài)分布的結果的第一行完全相同。

這個結果，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雜，我們來進一步考察這一點。

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)的生成結果不同于test_numpy_random_seed_order中同一行的運行結果。

另外，兩次設置不同的randint的右邊界，np.random.randn(1, 5)生成的結果也全然不同，這說明了np.random.randint設置不同的參數(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: