随机种子，random seed，伪随机数

 

此处讨论的随机种子适用于random模块，numpy,  torch等。我们将以random模块为例。

1.随机数到底怎么生成的

python中的随机数其实是所谓的“伪随机数”，它的生成并不是完全无迹可寻的。伪随机数生成器通过对“某个值”执行系列操作来获得伪随机值。 通常，这“某个值”来自上一个随机数生成器生成的值。 但是，当你新打开一个程序时，没有由上一个伪随机数生成器产生的值，这时系统就会为你定一个初始值（可能根据日期，时间啥的，可以认为是无法被推断的），通过这个值你可以一路往下走。

 

2.为何是“伪随机”

当我们从上图可以看到，值1是由当时的系统环境决定的，那我们是否能控制值1呢？答案是肯定的。

我们可以通过random.seed()这个函数来给值1设置一个值，使得它成为接下来所有值的”种子”

 

让我们来看一下接下来的例子(两个例子都是在python3.x环境下)：

当我在windows系统以9001为种子时，多次运行某个伪随机生成器（random.randint），会得到这样一个序列（1, 5, 5，2，10）。

 

当我在linux系统以9001为种子时，多次运行某个伪随机生成器（random.randint），会得到这样一个序列（1, 5, 5，2，10）。

 

通过这个例子我们可以发现

1. 在定下值1（也就是随机种子）后，整个随机序列就已经确定了下来。这就是所谓的“伪”。

2. 请注意上述例子中第五个和第六个伪随机数生成器（random.randint），他们接收的“某个值”都是5，但生成的数却不一样（一个是5，一个是2）。这就是所谓的“随机”

 

3.为何要设置随机种子

假象这样一种情况，我们对拥有随机操作的两个程序完成了A和B两个版本，那如果我们要比较A和B性能的时候，由于程序内部的随机性，我们的直接比较是很难说明问题的。

那如果我们给A,B在程序的开始都设置同一个随机种子，那么比较将很容易进行，又保证了内部的随机操作。

 

这只是一个例子，总的来说，设置随机种子让我们的对比和复现十分直观。

 

4.设置随机种子

import random, torch
import numpy as np

seed = 9001

random.seed(seed)

torch.manual_seed(seed) #CPU
torch.cuda.manual_seed(seed) #GPU

np.random.seed(seed)

 

参考链接：

https://blog.csdn.net/linzch3/article/details/58220569

https://stackoverflow.com/questions/22639587/random-seed-what-does-it-do/22639752#22639752