随机产生函数种子seed、numpy.random.seed()、tf.random.set_seed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() 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(3):
for i in range(5):
print( np.random.random() )
print('\n')
第一个循环结果:
三次相同的五个不同随机数
第二个循环结果:
三次输出完全相同五个随机数
第三个循环结果:
三次完全不同的五个随机数int
总结输出结果,numpy.random.seed()只是针对某一层进行约束,不是全局约束
原文链接:https://blog.csdn.net/qq_38024084/article/details/103465294
3.tf.random.set_seed:设置全局随机种子
依赖随机种子的操作实上是从两个种子派生的:全局种子和操作级别种子。这个设置了全局种子。
#tensorflow2.0
tf.random.set_seed(
seed
)
#tensorflow1.0
tf.set_random_seed(
seed
它与操作级种子的交互如下:
如果既未设置全局种子也未设置操作种子:此操作使用随机选择的种子。
如果设置了图级别的种子(graph-level seed),但未设置操作种子(operation seed):系统确定性地选择一个操作种子和图级别的种子,以便获得唯一的随机序列。在tensorflow和用户代码的相同版本中,此序列是确定性的。但是,在不同版本中,此序列可能会更改。如果代码依赖特定的种子来工作,则明确指定图级别和操作级别种子。
如果设置了操作种子,但未设置全局种子:使用默认的全局种子和指定的操作种子来确定随机序列。
如果同时设置了全局种子和操作种子:将两个种子一起使用以确定随机序列。
如果设置了全局种子,但未设置操作种子,则每次对随机操作的调用都会得到不同的结果,但是对于程序的每次重新运行,其结果都是相同的
如果既未设置全局种子也未设置操作种子,则每次调用随机操作和每次重新运行程序都会得到不同的结果
如果设置了操作种子,则每次对随机操作的调用都会得到不同的结果,但是对于程序的每次重新运行却得到相同的序列:
原文链接:https://blog.csdn.net/qq_36201400/article/details/108512368