numpy库中的方法参数seed和tensorflow中的seed对比

无论是前者还是后者，seed参数都是用来标识唯一的伪随机生成操作的。但是在使用过程中二者有一些区别。

在numpy中，numpy.random.seed(seed=None)的seed默认值为None，也就是说不设置的话每次相同的方法产生的结果都是不同的。比如说：

import numpy as np
print(np.random.uniform(1,10,(1,6)))
print(np.random.uniform(1,10,(1,6)))

结果：
[[ 8.88750237  9.05145997  1.7653979   1.35149305  2.52847378  8.90328253]]
[[ 1.8851215   4.78996863  9.62100577  5.79848756  7.22689403  3.83964068]]

在设置了numpy.random.seed之后，再来看看是什么结果？

import numpy as np
np.random.seed(5)
print(np.random.uniform(1,10,(1,6)))
结果：
[[ 2.99793854  8.83659076  2.8604724   9.26749817  5.3957007   6.50569477]]
print(np.random.uniform(1,10,(1,6)))
结果：
[[ 7.89317071  5.66576189  3.67120451  2.68949106  1.72667142  7.64596267]]

你是不是以为结果应该一样？但是很不幸，这个的运行结果最后跟你像的不太一样。原因是什么？再来看下后面的这段代码

import numpy as np
np.random.seed(5)
print(np.random.uniform(1,10,(1,6)))
结果
[[ 2.99793854  8.83659076  2.8604724   9.26749817  5.3957007   6.50569477]]
np.random.seed(5)
print(np.random.uniform(1,10,(1,6)))
结果：
[[ 2.99793854  8.83659076  2.8604724   9.26749817  5.3957007   6.50569477]]
np.random.seed(5)
print(np.random.uniform(1,10,(1,8)))
结果
[[ 2.99793854  8.83659076  2.8604724   9.26749817  5.3957007   6.50569477
   7.89317071  5.66576189]]

可以看出在numpy中seed的设置并不是全局的，也即单步设置。一个随机操作，对应设置一次seed；若随机操作之前没有设置seed则默认seed是为None的。只有两个相同的随机操作（方法、方法核心参数相同）都设置了相同的种子，它们产生的伪随机序列才是相同的，如上例中的第一次和第二次产生的结果。第三次操作的种子、核心参数同前两次，唯一不同的是第三次取伪随机序列中的前8个，可以看出这次结果中的前六个是和前两次产生的结果一样的。也即形状参数对序列产生无影响。

但是，对于tensorflow中的seed有两种：图级种子（graph_level seed）和操作级种子（op_level seed，这种seed的设置是在具体的操作中进行设置的）

一旦设置了图级种子（通过tf.set_random_seed(seed_value)设置），在不同的session中相同的操作总是产生相同的随机数序列

若两者都没设置，在不同的session中总是产生不同的随机数序列

若只设置了操作级种子，那么该操作在不同的session中会产生相同的随机数序列。

具体效果可参见tensorflow官网的tf.set_random_seed方法https://www.tensorflow.org/api_docs/python/tf/set_random_seed