1.random生成伪随机
Python 使用 Mersenne Twister 作为核心生成器。
2.Tensorflow随机数生成——图形级seed和操作级seed.
图像级seed用来同时确定多个操作的随机种子,操作级seed用来确定该操作(函数)生成随机数的种子
- 如果既没有设置图层级也没有设置操作级别的seed:则使用随机seed进行该作. 每次运行程序会生成不同的随机数
- 如果设置了图形级seed,但操作seed没有设置:系统确定性地选择与图形级seed结合的操作seed,以便获得唯一的随机序列. 多个会话中的同一个随机变量相等,且每次运行不会变化
- 如果未设置图形级seed,但设置了操作seed:使用默认的图层seed和指定的操作seed来确定随机序列。 操作(函数)生成的随机数每次运行都一样,但未设定seed的操作每次运行得到的随机数不相等
- 如果图层级seed和操作seed都被设置:则两个seed将一起用于确定随机序列.
函数示例:
import tensorflow as tf
# 不设置图层级,不设置操作级别的seed,每次运行时变量都不一样
# tf.set_random_seed(1)
a=tf.random.uniform([1])
b = tf.random.normal([1])
with tf.Session() as sess1:
# 第一次运行 a:[0.46907735],b:[-0.36227685]
# 第二次运行 a:[0.9778646] ,b:[-0.0636058]
print(sess1.run(a))
print(sess1.run(b))
import tensorflow as tf
# 设置图层级,不设置操作级别的seed;不仅多个会话相同随机变量保存不变,且多次运行随机变量值也不会发生变化
tf.set_random_seed(1234) #设置图像级seed
a=tf.random.uniform([1])
b = tf.random.normal([1])
with tf.Session() as sess1:
# 第一次运行 a:[0.96046877],b:[0.4987599]
# 第二次运行 a:[0.96046877],b:[0.4987599]
print(sess1.run(a))
print(sess1.run(b))
with tf.Session() as sess2:
# 第一次运行 a:[0.96046877],b:[0.4987599]
# 第二次运行 a:[0.96046877],b:[0.4987599]
print(sess2.run(a))
print(sess2.run(b))
import tensorflow as tf
# 不设置图层级,设置操作级别的seed;多次运行随机变量值不会发生变化
# tf.set_random_seed(1234)
a=tf.random.uniform([1],seed=1)
b = tf.random.normal([1])
with tf.Session() as sess1:
# 第一次运行 a:[0.2390374],b:[-1.7223204]
# 第二次运行 a:[0.2390374],b:[1.5145952]
print(sess1.run(a))
print(sess1.run(b))
with tf.Session() as sess2:
# 第一次运行 a:[0.2390374],b:[0.6938132]
# 第二次运行 a:[0.2390374],b:[1.073686]
print(sess2.run(a))
print(sess2.run(b))
import tensorflow as tf
# 设置图层级,操作级别的seed;不仅多个会话相同随机变量保存不变,且多次运行随机变量值也不会发生变化
tf.set_random_seed(1234)
a=tf.random.uniform([1],seed=1)
b = tf.random.normal([1])
with tf.Session() as sess1:
# 第一次运行 a:[0.1689806],b:[0.4987599]
# 第二次运行 a:[0.1689806],b:[0.4987599]
print(sess1.run(a))
print(sess1.run(b))
with tf.Session() as sess2:
# 第一次运行 a:[0.1689806],b:[0.4987599]
# 第二次运行 a:[0.1689806],b:[0.4987599]
print(sess2.run(a))
print(sess2.run(b))