关于Numpy中np.random.seed()随机种子用法

np.random.seed() 使随机数可预测

随机种子seed括号里的数，顾名思义， 好像就是一个固定的序列集合的种子代号，例如代号0（如：0，1，2，3，4…），中包含一大串随机数，但都是固定的，所以，无论后面怎么random.random，生成的随机数都是seed(0)集合中的随机数。

import numpy as np
from icecream import ic

if __name__ == '__main__':
    np.random.seed(0)   # 随机种子代号自己设定
    x1 = np.random.random(3) 
    ic(x1)      

第一次：

ic| x1: array([0.5488135 , 0.71518937, 0.60276338])

第二次：

多次运行后，你会发现每次的值都是一样的。

所以，想要取不同的随机数，可设置seed()内的不同种子代号。

当然还有另外一种方法能让每次取得随机数组都是不一样的，删掉seed()语句，直接random就好了。

import numpy as np
from icecream import ic

if __name__ == '__main__':
    x1 = np.random.random(3) 
    ic(x1)      

ic| x1: array([0.93113248, 0.16477415, 0.11086242])

ic| x1: array([0.57306252, 0.54383123, 0.23124207])

第三次：

ic| x1: array([0.14004845, 0.51201779, 0.67705872])

…

后面每次都是不同的

曾看到过这样一个解释觉得不错：

（伪）随机数的工作原理是从一个数字（种子）开始，将它乘以一个大数，加上一个偏移量，然后对该和取模。然后将结果数用作种子以生成下一个“随机”数。当你设置种子时（每次），它每次都做同样的事情，给你相同的数字。

只设置一次种子，后续不重置，放在一起来看：

import numpy as np
from icecream import ic

if __name__ == '__main__':
    np.random.seed(0)
    x1 = np.random.random(3)
    ic(x1)
    x2 = np.random.random(3)
    ic(x2)
    x3 = np.random.random(3)
    ic(x3)
    x4 = np.random.random(3)
    ic(x4)
    x5 = np.random.random(3)
    ic(x5)      

Result：

ic| x2: array([0.54488318, 0.4236548 , 0.64589411])

ic| x3: array([0.43758721, 0.891773 , 0.96366276])

ic| x4: array([0.38344152, 0.79172504, 0.52889492])

ic| x5: array([0.56804456, 0.92559664, 0.07103606])

总结

如果想要看似随机的数字，不要设置种子。但是，如果有要调试的使用随机数的代码，那么在每次运行之前设置种子会非常有帮助，这样代码每次运行时都会做同样的事情。