Python中的np.random.seed()随机数种子：使得随机数据可预测（python np.random.seed）

Python中的np.random.seed()随机数种子：使得随机数据可预测（python np.random.seed）

???????????????????????? ????????????Hello，大家好我叫是Dream呀，一个有趣的Python博主，多多关照???????????? ????????????Python领域优质创作者，欢迎大家找我合作学习（文末有VX 想进学习交流群or学习资料 欢迎+++） ????​​入门须知：这片乐园从不缺乏天才，努力才是你的最终入场券！????????????​​ ????​​最后，愿我们都能在看不到的地方闪闪发光，一起加油进步????????????​​ ????????????“一万次悲伤，依然会有Dream，我一直在最温暖的地方等你”，唱的就是我！哈哈哈~???????????? ????????????✨✨✨

​​前言：​​​ 最近在学习过程中总是遇到​​np.random.seed()​​​这个问题，刚开始总是觉得不过是一个简单的​​随机数种子​​，就没太在意，后来遇到的次数多了，才发现他竟然是如此之用处之大！接下来我就把我所学到的关于np.random.seed()的知识分享给大家！

1. 何为随机数种子

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。

读到这，你如何还感觉得晦涩难懂的话，那我再举一个通俗易懂的例子：

看第一段代码：

import numpy as npnp.random.seed(0) # 先定义一个随机数种子print(np.random.rand(5)) # "随机"生成5个数

结果：

[0.5488135 0.71518937 0.60276338 0.54488318 0.4236548 ]

这里的rand（5）就是相当于生成五个数据

接着看第二段代码：

import numpy as npnp.random.seed(0) # 先定义一个随机数种子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

结果：

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

这里我们生成了十个随机数。

最后我们看第三段代码：

import numpy as npnp.random.seed(0) # 先定义一个随机数种子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

运行结果：

[0.5488135 0.71518937 0.60276338 0.54488318 0.4236548 ][0.64589411 0.43758721 0.891773 0.96366276 0.38344152]0.79172503808266460.52889491975290450.56804456109393230.9255966382926610.071036058197886940.087129299701540710.02021839744032572

接下来我们的对比一下，最后输出的7个随机数的结果和我们之前分两次输出的随机数列表，我们可以很清晰的看到：我们最后输出的7个随机数便是依次从我们之前的生成的10个随机数中取得的！ 也就是说在代码中，我们看到 “ 随机 ” ，那就是说并不是真正随机（假随机）。

注意：

设置的seed()值仅一次有效

2. np.random.seed()参数问题

先看一段代码：

import numpy as npnp.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))

运行结果：

[[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：这个参数好像并没有什么实际的意义。

最后，我们得出结论：这个参数是随便取的，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。

3. 使用方法

使用之前都需要调用一下：​​np.random.seed(0)​​

错误实例：

import numpy as npnp.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]]

正确实例：

import numpy as npnp.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. 随机数种子问题总结

（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。

（3）每次使用之前都需要调用一下：​​np.random.seed(0)​​

（4）np.random.seed(0)中参数0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

参考资料：​​What does numpy.random.seed(0) do?​​

???????????? 好啦，这就是今天要分享给大家的全部内容了

❤️❤️❤️如果你喜欢的话，就不要吝惜你的一键三连了~

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。