前言： 最近在學(xué)習(xí)過程中總是遇到np.random.seed()這個(gè)問題，剛開始總是覺得不過是一個(gè)簡單的隨機(jī)數(shù)種子，就沒太在意，后來遇到的次數(shù)多了，才發(fā)現(xiàn)他竟然是如此之用處之大！接下來我就把我所學(xué)到的關(guān)于np.random.seed()的知識(shí)分享給大家！

1. 何為隨機(jī)數(shù)種子

隨機(jī)數(shù)種子，相當(dāng)于我給接下來需要生成的隨機(jī)數(shù)一個(gè)初值，按照我給的這個(gè)初值，按固定順序生成隨機(jī)數(shù)。
讀到這，你如何還感覺得晦澀難懂的話，那我再舉一個(gè)通俗易懂的例子：
看第一段代碼：

import numpy as np
np.random.seed(0)  # 先定義一個(gè)隨機(jī)數(shù)種子
print(np.random.rand(5))  # "隨機(jī)"生成5個(gè)數(shù)

結(jié)果：

[0.5488135  0.71518937 0.60276338 0.54488318 0.4236548 ]

這里的rand（5）就是相當(dāng)于生成五個(gè)數(shù)據(jù)

接著看第二段代碼：

import numpy as np
np.random.seed(0)  # 先定義一個(gè)隨機(jī)數(shù)種子
print(np.random.rand(5))  # "隨機(jī)"生成5個(gè)數(shù)
print(np.random.rand(5))  # 再"隨機(jī)"生成5個(gè)數(shù)

結(jié)果：

[0.5488135  0.71518937 0.60276338 0.54488318 0.4236548 ]
[0.64589411 0.43758721 0.891773   0.96366276 0.38344152]

這里我們生成了十個(gè)隨機(jī)數(shù)。

最后我們看第三段代碼：

import numpy as np
np.random.seed(0)  # 先定義一個(gè)隨機(jī)數(shù)種子
print(np.random.rand(5))  # "隨機(jī)"生成5個(gè)數(shù)
print(np.random.rand(5))  # 再"隨機(jī)"生成5個(gè)數(shù)

np.random.seed(0)
for i in range(7):
    print(np.random.random())  # "隨機(jī)"生成7個(gè)數(shù)

運(yùn)行結(jié)果：

[0.5488135  0.71518937 0.60276338 0.54488318 0.4236548 ]
[0.64589411 0.43758721 0.891773   0.96366276 0.38344152]
0.7917250380826646
0.5288949197529045
0.5680445610939323
0.925596638292661
0.07103605819788694
0.08712929970154071
0.02021839744032572

接下來我們的對比一下，最后輸出的7個(gè)隨機(jī)數(shù)的結(jié)果和我們之前分兩次輸出的隨機(jī)數(shù)列表，我們可以很清晰的看到：我們最后輸出的7個(gè)隨機(jī)數(shù)便是依次從我們之前的生成的10個(gè)隨機(jī)數(shù)中取得的！ 也就是說在代碼中，我們看到 “ 隨機(jī) ” ，那就是說并不是真正隨機(jī)（假隨機(jī)）。

注意：
設(shè)置的seed()值僅一次有效

2. np.random.seed()參數(shù)問題

先看一段代碼：

import numpy as np
random.seed(0)
print(np.random.rand(2, 3))
np.random.seed(1)
print(np.random.rand(2, 3))
np.random.seed(2)
print(np.random.rand(2, 3))

運(yùn)行結(jié)果：

[[0.5488135  0.71518937 0.60276338]
 [0.54488318 0.4236548  0.64589411]]
[[4.17022005e-01 7.20324493e-01 1.14374817e-04]
 [3.02332573e-01 1.46755891e-01 9.23385948e-02]]
[[0.4359949  0.02592623 0.54966248]
 [0.43532239 0.4203678  0.33033482]]

由此可知：這個(gè)參數(shù)好像并沒有什么實(shí)際的意義。
最后，我們得出結(jié)論：這個(gè)參數(shù)是隨便取的，可以認(rèn)為是初值的標(biāo)志，每次按照這個(gè)標(biāo)志都可以得到相同的初值。

3. 使用方法

使用之前都需要調(diào)用一下：np.random.seed(0)
錯(cuò)誤實(shí)例：

import numpy as np
np.random.seed(1)
L1 = np.random.randn(3, 3)
L2 = np.random.randn(3, 3)
print(L1)
print(L2)
[[ 1.62434536 -0.61175641 -0.52817175]
 [-1.07296862  0.86540763 -2.3015387 ]
 [ 1.74481176 -0.7612069   0.3190391 ]]
[[-0.24937038  1.46210794 -2.06014071]
 [-0.3224172  -0.38405435  1.13376944]
 [-1.09989127 -0.17242821 -0.87785842]]

正確實(shí)例：

import numpy as np

np.random.seed(1)
L1 = np.random.randn(3, 3)
np.random.seed(1)
L2 = np.random.randn(3, 3)
print(L1)
print(L2)
[[ 1.62434536 -0.61175641 -0.52817175]
 [-1.07296862  0.86540763 -2.3015387 ]
 [ 1.74481176 -0.7612069   0.3190391 ]]
[[ 1.62434536 -0.61175641 -0.52817175]
 [-1.07296862  0.86540763 -2.3015387 ]
 [ 1.74481176 -0.7612069   0.3190391 ]]

4. 隨機(jī)數(shù)種子問題總結(jié)

（1）隨機(jī)數(shù)種子相當(dāng)于給我們一個(gè)初值，之后按照固定順序生成隨機(jī)數(shù)（也就是我們說的超級(jí)長的 list ）
（2）隨機(jī)數(shù)種子對后面的結(jié)果一直有影響，在一個(gè)隨機(jī)數(shù)種子后生成的隨機(jī)數(shù)都受這個(gè)隨機(jī)數(shù)種子的影響，即生成的隨機(jī)數(shù)都是由這個(gè)隨機(jī)數(shù)種子給的初值，按照固定順序生成的。
（3）每次使用之前都需要調(diào)用一下：np.random.seed(0)
（4）np.random.seed(0)中參數(shù)0是隨便取的，可以認(rèn)為是初值的標(biāo)志，每次按照這個(gè)標(biāo)志都可以得到相同的初值
參考資料：What does numpy.random.seed(0) do?

最新評(píng)論