Python設定随機數種子

原因：使用相同種子保證每次實驗生成固定的随機數，使每次實驗結果一緻。不同種子生成不一樣的随機數。

seed = random.randint(1, 10000)
print('Random seed: {}'.format(seed))
random.seed(seed)
np.random.seed(seed)
torch.manual_seed(seed)
torch.cuda.manual_seed_all(seed)
           

設定方式

if torch.cuda.is_available():
    print("gpu cuda is available!")
    torch.cuda.manual_seed(1000)
else:
    print("cuda is not available! cpu is available!")
    torch.manual_seed(1000)
           

random.seed()

seed()改變随機數生成器的種子，在調用其他随機子產品函數之前調用此函數

seed()沒有參數時，每次生成的随機數是不一樣的，seed()有參數時是一樣的，不同的參數生成的随機數不一樣

import random

# 随機數不一樣
random.seed()
print('随機數1：',random.random())
random.seed()
print('随機數2：',random.random())

# 随機數一樣
random.seed(1)
print('随機數3：',random.random())
random.seed(1)
print('随機數4：',random.random())
random.seed(2)
print('随機數5：',random.random())

'''
随機數1： 0.7643602170615428
随機數2： 0.31630323818329664
随機數3： 0.13436424411240122
随機數4： 0.13436424411240122
随機數5： 0.9560342718892494
'''
           

參考

`np.random.seed()

seed值設為某一定值，則np.random下随機數生成函數生成的随機數永遠是不變的。更清晰的說，即當你把設定為seed(0)，則你每次運作代碼第一次用np.random.rand()産生的随機數永遠是0.5488135039273248；第二次用np.random.rand()産生的随機數永遠是0.7151893663724195

import numpy as np
 
np.random.seed(0)
for i in range(6):
    print(np.random.rand())
 
0.5488135039273248
0.7151893663724195
0.6027633760716439
0.5448831829968969
0.4236547993389047
0.6458941130666561
 
 
np.random.seed(0)
for i in range(3):
    print(np.random.rand())
 
0.5488135039273248
0.7151893663724195
0.6027633760716439
           

參考