np.random.seed()随机数种子

2023-10-06 04:24| 来源: 网络整理| 查看: 265

np.random.seed（）随机数种子 np.random.seed()随机数种子1.随机数种子的理解2.np.random.seed()的参数

随机数种子！以下均为个人理解，有误及时修改在生成随机数时，我们可以利用随机数种子，控制生成的随机数。什么意思，就是说我可以利用随机数种子，得到相同的或部分形同的随机数。

1.随机数种子的理解

随机数种子，相当于我给接下来需要生成的随机数一个初值，按照我给的这个初值，按固定顺序生成随机数。个人觉得通俗理解：随机数种子是给了一批数（随机数种子应该是按一定顺序生成随机数的，并不是一次给了一批数，但如果这些数有固定顺序，我们是不是可以简单认为随机种子给了我们很多数据），当需要生成随机数时，就从这一批数中依次取值。

看例子吧：（1）

np.random.seed(0) # 先定义一个随机数种子，()中的参数值后下个小节说 print(np.random.rand(5)) # "随机"生成5个数 print(np.random.rand(5)) # 再"随机"生成5个数 np.random.seed(0) for i in range(7): print(np.random.random()) # "随机"生成7个数

在代码中，我们看到 “ 随机 ” ，那就是说并不是真正随机（假随机），观察结果就知道了！

# 结果 [0.5488135 0.71518937 0.60276338 0.54488318 0.4236548 ] [0.64589411 0.43758721 0.891773 0.96366276 0.38344152] 0.5488135039273248 0.7151893663724195 0.6027633760716439 0.5448831829968969 0.4236547993389047 0.6458941130666561 0.4375872112626925

观察结果：下边的 ‘ 随机 ’ 生成的7个数和上边 ‘ 随机 ’ 生成的十个数中的前7个相同。为什么呢？因为开始我们设置了一个随机种子，接下来生成的十个数是有固定顺序的（这顺序是什么？i dont know！）。为了方便理解，我们把随机种子看成一个超级超级长的 list ，我们接下来的取随机数操作，（ np.random.rand(5) ）就是从这个 list 中依次取5个随机数，然后（ np.random.rand(5) ）再取5个随机数。当然，你说它不是 list 是数组，OK！随你，只是为了方便理解。为什么后边生成的7个 “随机” 数和之前的前7个数相同呢？这是因为在生成这7个 ‘随机’ 数之前，又重新定义了一个随机数种子（ np.random.seed(0) ）。定义随机数种子，不就是定义了一个超级超级长的 list 吗？，这个 list 和之前的 list 是一样的！！！，所以我们取7个 ‘随机’ 数，不就是这个 list 中的前7个吗！

（2）再来看一个例子

np.random.seed(0) for i in range(7): print(np.random.random()) np.random.seed(0) print(np.random.rand(2, 3))

放结果，观察

0.5488135039273248 0.7151893663724195 0.6027633760716439 0.5448831829968969 0.4236547993389047 0.6458941130666561 0.4375872112626925 [[0.5488135 0.71518937 0.60276338] [0.54488318 0.4236548 0.64589411]]

2x3矩阵的6个数和随机生成的前6个数相同！不需要解释了吧，所以如果我想生成两个一样的随机矩阵怎么办？是不是在生成矩阵前，定义随机数种子就好了。

总结：（1）随机数种子相当于给我们一个初值，之后按照固定顺序生成随机数（也就是我们说的超级长的 list ）（2）随机数种子对后面的结果一直有影响，在一个随机数种子后生成的随机数都受这个随机数种子的影响，即生成的随机数都是由这个随机数种子给的初值，按照固定顺序生成的（生成的随机数受离它最近的随机数种子影响，即它之前的随机数种子）。那么问题来了，随机数种子的初值和顺序由啥决定呢？下一小节！

2.np.random.seed()的参数

个人理解：随机数种子给的初值和顺序是一个意思，因为这个顺序并不知道，所以可以认为是由初值决定，也可以理解为生成的超级超级大的 list 。那这个初值是怎么决定的呢，是np.random.seed()中的参数决定，只要每次这个参数相同，那我们的初值就是相同的，种子就是相同的。种子相同，之后长得枝条就是相同的：即 list 是相同的。（1）是第一小节的例子，np.random.seed(0) ，参数都是 0 。

np.random.seed(0) for i in range(7): print(np.random.random()) np.random.seed(0) print(np.random.rand(2, 3)) 0.5488135039273248 0.7151893663724195 0.6027633760716439 0.5448831829968969 0.4236547993389047 0.6458941130666561 0.4375872112626925 [[0.5488135 0.71518937 0.60276338] [0.54488318 0.4236548 0.64589411]]

（2）

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

结果：这个例子也证实了上一小节的总结（2）

[[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]] [[0.5488135 0.71518937 0.60276338] [0.54488318 0.4236548 0.64589411]]

最后！！！，这个参数好像是随便取的，可以认为是初值的标志，每次按照这个标志都可以得到相同的初值。但是这个参数好像必须是int类型吧。

【本文地址】

公司简介

联系我们