python(np.random.seed())

转载博文链接:https://blog.csdn.net/weixin_38171245/article/details/99807417

------------恢复内容开始------------

首先显示一段代码：

import numpy as np
num = 0
while(num<5):
np.random.seed(1)
print(np.random.random())
num += 1

print('-------------------------')
num1 = 0
np.random.seed(2)
while(num1<5):
print(np.random.random())
num1 += 1

运行结果：

0.417022004702574
0.417022004702574
0.417022004702574
0.417022004702574
0.417022004702574
-------------------------
0.43599490214200376
0.025926231827891333
0.5496624778787091
0.4353223926182769
0.42036780208748903

Process finished with exit code 0

讲解：

seed( ) 用于指定随机数生成时所用算法开始的整数值。 

　　1.如果使用相同的seed( )值，则每次生成的随即数都相同； 

　　2.如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异而不同。 

　　3.设置的seed()值仅一次有效

所谓随机数其实是伪随机数，所谓的‘伪’，意思是这些数其实是有规律的，只不过因为算法规律太复杂，很难看出来。再厉害的算法，没有一个初始值，它也不可能凭空造出一系列随机数来，我们说的种子就是这个初始值。

random随机数是这样生成的：我们将这套复杂的算法（是叫随机数生成器吧）看成一个黑盒，把我们准备好的种子扔进去，它会返给你两个东西，一个是你想要的随机数，另一个是保证能生成下一个随机数的新的种子，把新的种子放进黑盒，又得到一个新的随机数和一个新的种子，从此在生成随机数的路上越走越远。

再看我们的代码：

第一段代码把对种子的设置放在了循环里面，每次执行循环都旗帜鲜明地告诉黑盒：“我的种子是1”。那么很显然：同一个黑盒，同一个种子，自然得到的是同一个随机数。

第二段代码把对种子的设置放在了循环外面，他只在第一次循环的时候明确地告诉黑盒：“我的种子是2”。那么也很显然：从第二次循环开始，黑盒用的就是自己生成的新种子了。

多说一句：因为黑盒是始终如一的，所以只要你没改变种子，那么你得到的随机数就不会改变。

没有特殊需求的话，还是老老实实地用Python自动选择的种子吧，省心又省力。

深入理解：

在使用numpy时，难免会用到随机数生成器。一直对np.random.seed()，随机数种子搞不懂。很多博客也就粗略的说，利用随机数种子，每次生成的随机数相同。

两个疑惑：1, 利用随机数种子，每次生成的随机数相同。这是什么意思?

　　　　　2,随机数种子的参数怎么选择？在别人的代码中经常看到np.random.seed(Argument),这个参数不一样，有的是0，有的是１，当然还有其他数。那这个参数应该怎么选择呢？

通过对别的博客的理解，我做了以下几组实验：

import numpy as np

if __name__ == '__main__':
    i = 0
    while(i<6):
        if(i<3):
            np.random.seed(0)
            print(np.random.randn(1, 5))
        else:
            print(np.random.randn(1, 5))
            pass
        i += 1
    i = 0
    while(i<2):
        print(np.random.randn(1, 5))
        i += 1
    print(np.random.randn(2, 5))
    np.random.seed(0)
    i = 0
    while(i<８):
        print(np.random.randn(1, 5))
        i += 1

运行结果：

1.  
   [[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]]
2.  
   [[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]]
3.  
   [[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]]
4.  
   [[-0.97727788 0.95008842 -0.15135721 -0.10321885 0.4105985 ]]
5.  
   [[ 0.14404357 1.45427351 0.76103773 0.12167502 0.44386323]]
6.  
   [[ 0.33367433 1.49407907 -0.20515826 0.3130677 -0.85409574]]
7.  
   [[-2.55298982 0.6536186 0.8644362 -0.74216502 2.26975462]]
8.  
   [[-1.45436567 0.04575852 -0.18718385 1.53277921 1.46935877]]
9.  
   [[ 0.15494743 0.37816252 -0.88778575 -1.98079647 -0.34791215]
10.  
    [ 0.15634897 1.23029068 1.20237985 -0.38732682 -0.30230275]]
11.  
    [[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]]
12.  
    [[-0.97727788 0.95008842 -0.15135721 -0.10321885 0.4105985 ]]
13.  
    [[ 0.14404357 1.45427351 0.76103773 0.12167502 0.44386323]]
14.  
    [[ 0.33367433 1.49407907 -0.20515826 0.3130677 -0.85409574]]
15.  
    [[-2.55298982 0.6536186 0.8644362 -0.74216502 2.26975462]]
16.  
    [[-1.45436567 0.04575852 -0.18718385 1.53277921 1.46935877]]
17.  
    [[ 0.15494743 0.37816252 -0.88778575 -1.98079647 -0.34791215]]
18.  
    [[ 0.15634897 1.23029068 1.20237985 -0.38732682 -0.30230275]]
19.  
     

　　

通过该实验我们可以得到以下结论：

1.1．可以看出，像http://blog.csdn.net/linzch3/article/details/58220569这篇博客中提到的，np.random.seed()对后面的随机数一次有效，而不是一直有效，这种说法是错误的。

两次利用随机数种子后，即便是跳出循环后，生成随机数的结果依然是相同的。第一次跳出while循环后，进入第二个while循环，得到的两个随机数组确实和加了随机数种子不一样。但是，后面的加了随机数种子的，八次循环中的结果和前面的结果是一样的。说明，随机数种子对后面的结果一直有影响。同时，加了随机数种子以后，后面的随机数组都是按一定的顺序生成的。

1.2．在同样的随机种子后第六次的随机数生成结果，(结果高亮部分)，两行五列的数组和两个一行五列的数组结果相同。说明，在生成多行随机数组时，是由单行随机数组组合而成的。

现在我们回答了第一个疑惑：利用随机数种子，每次生成的随机数相同。这是什么意思?　－－就是使后面的随机数按一定的顺序生成。

import numpy as np

if __name__ == '__main__':
    i = 0
    np.random.seed(0)
    while(i<3):
        print(np.random.randn(1, 5))
        i += 1
    i = 0
    np.random.seed(1)
    i = 0
    while(i<3):
        print(np.random.randn(1, 5))
        i += 1

[[ 1.76405235  0.40015721  0.97873798  2.2408932   1.86755799]]
[[-0.97727788  0.95008842 -0.15135721 -0.10321885  0.4105985 ]]
[[ 0.14404357  1.45427351  0.76103773  0.12167502  0.44386323]]

[[ 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]]

你可以实验，在你的电脑上，当随机数种子参数为0和1时，生成的随机数和我上面高亮的结果相同。说明该参数指定了一个随机数生成的起始位置。每个参数对应一个位置。并且在该参数确定后，其后面的随机数的生成顺序也就确定了。

所以，现在我们回答了我的第二个疑问：随机数种子的参数怎么选择？我认为随意，这个参数只是确定一下随机数的起始位置。

------------恢复内容结束------------

首先显示一段代码：

import numpy as np
num = 0
while(num<5):
np.random.seed(1)
print(np.random.random())
num += 1

print('-------------------------')
num1 = 0
np.random.seed(2)
while(num1<5):
print(np.random.random())
num1 += 1

运行结果：

0.417022004702574
0.417022004702574
0.417022004702574
0.417022004702574
0.417022004702574
-------------------------
0.43599490214200376
0.025926231827891333
0.5496624778787091
0.4353223926182769
0.42036780208748903

Process finished with exit code 0

讲解：

seed( ) 用于指定随机数生成时所用算法开始的整数值。 

　　1.如果使用相同的seed( )值，则每次生成的随即数都相同； 

　　2.如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异而不同。 

　　3.设置的seed()值仅一次有效

所谓随机数其实是伪随机数，所谓的‘伪’，意思是这些数其实是有规律的，只不过因为算法规律太复杂，很难看出来。再厉害的算法，没有一个初始值，它也不可能凭空造出一系列随机数来，我们说的种子就是这个初始值。

random随机数是这样生成的：我们将这套复杂的算法（是叫随机数生成器吧）看成一个黑盒，把我们准备好的种子扔进去，它会返给你两个东西，一个是你想要的随机数，另一个是保证能生成下一个随机数的新的种子，把新的种子放进黑盒，又得到一个新的随机数和一个新的种子，从此在生成随机数的路上越走越远。

再看我们的代码：

第一段代码把对种子的设置放在了循环里面，每次执行循环都旗帜鲜明地告诉黑盒：“我的种子是1”。那么很显然：同一个黑盒，同一个种子，自然得到的是同一个随机数。

第二段代码把对种子的设置放在了循环外面，他只在第一次循环的时候明确地告诉黑盒：“我的种子是2”。那么也很显然：从第二次循环开始，黑盒用的就是自己生成的新种子了。

多说一句：因为黑盒是始终如一的，所以只要你没改变种子，那么你得到的随机数就不会改变。

没有特殊需求的话，还是老老实实地用Python自动选择的种子吧，省心又省力。

深入理解：

在使用numpy时，难免会用到随机数生成器。一直对np.random.seed()，随机数种子搞不懂。很多博客也就粗略的说，利用随机数种子，每次生成的随机数相同。

两个疑惑：1, 利用随机数种子，每次生成的随机数相同。这是什么意思?

　　　　　2,随机数种子的参数怎么选择？在别人的代码中经常看到np.random.seed(Argument),这个参数不一样，有的是0，有的是１，当然还有其他数。那这个参数应该怎么选择呢？

通过对别的博客的理解，我做了以下几组实验：

import numpy as np

if __name__ == '__main__':
    i = 0
    while(i<6):
        if(i<3):
            np.random.seed(0)
            print(np.random.randn(1, 5))
        else:
            print(np.random.randn(1, 5))
            pass
        i += 1
    i = 0
    while(i<2):
        print(np.random.randn(1, 5))
        i += 1
    print(np.random.randn(2, 5))
    np.random.seed(0)
    i = 0
    while(i<８):
        print(np.random.randn(1, 5))
        i += 1

运行结果：

1.  
   [[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]]
2.  
   [[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]]
3.  
   [[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]]
4.  
   [[-0.97727788 0.95008842 -0.15135721 -0.10321885 0.4105985 ]]
5.  
   [[ 0.14404357 1.45427351 0.76103773 0.12167502 0.44386323]]
6.  
   [[ 0.33367433 1.49407907 -0.20515826 0.3130677 -0.85409574]]
7.  
   [[-2.55298982 0.6536186 0.8644362 -0.74216502 2.26975462]]
8.  
   [[-1.45436567 0.04575852 -0.18718385 1.53277921 1.46935877]]
9.  
   [[ 0.15494743 0.37816252 -0.88778575 -1.98079647 -0.34791215]
10.  
    [ 0.15634897 1.23029068 1.20237985 -0.38732682 -0.30230275]]
11.  
    [[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]]
12.  
    [[-0.97727788 0.95008842 -0.15135721 -0.10321885 0.4105985 ]]
13.  
    [[ 0.14404357 1.45427351 0.76103773 0.12167502 0.44386323]]
14.  
    [[ 0.33367433 1.49407907 -0.20515826 0.3130677 -0.85409574]]
15.  
    [[-2.55298982 0.6536186 0.8644362 -0.74216502 2.26975462]]
16.  
    [[-1.45436567 0.04575852 -0.18718385 1.53277921 1.46935877]]
17.  
    [[ 0.15494743 0.37816252 -0.88778575 -1.98079647 -0.34791215]]
18.  
    [[ 0.15634897 1.23029068 1.20237985 -0.38732682 -0.30230275]]
19.  
     

　　

通过该实验我们可以得到以下结论：

1.1．可以看出，像http://blog.csdn.net/linzch3/article/details/58220569这篇博客中提到的，np.random.seed()对后面的随机数一次有效，而不是一直有效，这种说法是错误的。

两次利用随机数种子后，即便是跳出循环后，生成随机数的结果依然是相同的。第一次跳出while循环后，进入第二个while循环，得到的两个随机数组确实和加了随机数种子不一样。但是，后面的加了随机数种子的，八次循环中的结果和前面的结果是一样的。说明，随机数种子对后面的结果一直有影响。同时，加了随机数种子以后，后面的随机数组都是按一定的顺序生成的。

1.2．在同样的随机种子后第六次的随机数生成结果，(结果高亮部分)，两行五列的数组和两个一行五列的数组结果相同。说明，在生成多行随机数组时，是由单行随机数组组合而成的。

现在我们回答了第一个疑惑：利用随机数种子，每次生成的随机数相同。这是什么意思?　－－就是使后面的随机数按一定的顺序生成。

import numpy as np

if __name__ == '__main__':
    i = 0
    np.random.seed(0)
    while(i<3):
        print(np.random.randn(1, 5))
        i += 1
    i = 0
    np.random.seed(1)
    i = 0
    while(i<3):
        print(np.random.randn(1, 5))
        i += 1

[[ 1.76405235  0.40015721  0.97873798  2.2408932   1.86755799]]
[[-0.97727788  0.95008842 -0.15135721 -0.10321885  0.4105985 ]]
[[ 0.14404357  1.45427351  0.76103773  0.12167502  0.44386323]]

[[ 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]]

你可以实验，在你的电脑上，当随机数种子参数为0和1时，生成的随机数和我上面高亮的结果相同。说明该参数指定了一个随机数生成的起始位置。每个参数对应一个位置。并且在该参数确定后，其后面的随机数的生成顺序也就确定了。

所以，现在我们回答了我的第二个疑问：随机数种子的参数怎么选择？我认为随意，这个参数只是确定一下随机数的起始位置。