随机产生函数种子seed、numpy.random.seed()、tf.set_random_seed()、tf.random_uniform()、tf.random_normal()学习

随机产生函数种子seed、numpy.random.seed()、tf.set_random_seed()、tf.random_uniform()、tf.random_normal()学习

神经网络代码中，随机产生函数几乎都会出现在最开头的位置，足以说明其重要性。

我们得保证，每次代码产生的随机数是相同的，要不然每次运行出的数据都是不同的，不利于我们的研究分析

1.种子是什么

了解种子是什么，首先得了解随机数产生机制。

在numpy中，seed函数的作用为 Seed the random number generator（为随机生成函数生成种子），而seed函数中的参数seed可以理解成为了获取每次产生随机数时的 “开始位置”的数值。

我们可以把seed看作一个映射函数的输入，输入不同的值，都会有唯一对应的数值（ “开始位置”）。

至于随机数，是一些顺序已经固定的序列。

通过seed得到的 “开始位置”，就能在固定随机序列中找到位置，进行输出。

至于tensorflow中的seed和numpy相似，可以进行类比。

2.numpy.random.seed() 函数

random_sample() :  Uniformly distributed floats over [0, 1) ( 随机产生 [0,1)之间的均匀分布浮点数)

random() : Alias for random_sample() (random_sample 的别称)

可以看到random_sample() 和 random() 其实是同一个函数，都是随机生成[0,1)之间的均匀分布浮点数

seed() 函数上面提到，是对随机生成函数指定随机 “开始位置”

 

接下来，我们进行具体实验，来看看numpy.random.seed()的具体效果

import numpy as np

#numpy seed只限制一层

for k in range(3):
    np.random.seed(123)
    for i in range(5):
        print( np.random.random() )
    print('\n')

for k in range(3):
    for i in range(5):
        np.random.seed(123)
        print( np.random.random() )
    print('\n')

np.random.seed(123)
for k in range(