python -- np.random.seed()

seed( ) 用于指定随机数生成时所用算法开始的整数值，如果使用相同的seed( )值，则每次生成的随即数都相同，如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异而不同。

所以seed总是跟random搭配使用。

作用机制：

设置seed()之后，np,random.random()按顺序产生一组固定的数组，遇到需要随机赋值的变量，就从这个固定的数组中取出对应数目的值赋给变量。
seed(n)的参数n决定了从这个固定数组的什么位置开始取值（个人猜测未找到相关描述），也就是每次遇到seed()之后都会按照后面的参数重新计算取值的起始位置。所以如果每次都调用seed()，那么取得值每次都一样，如下例：

num = 0
while(num<5):
    np.random.seed(2)
    print(np.random.random())
    num+=1

0.43599490214200376
0.43599490214200376
0.43599490214200376
0.43599490214200376
0.43599490214200376

np.random.seed(2)
num = 0
while(num<5):
    print(np.random.random())
    num+=1

0.43599490214200376
0.025926231827891333
0.5496624778787091
0.4353223926182769
0.42036780208748903

这个例子看似好像seed()失效了一样，其实不然，多次运行会发现结果会一直保持这几个数值不会变化，其实这个和上面那个例子主要的区别就是在seed()确定了取值的起始index之后，不仅仅只取一个值，而是在这个固定数组中接连取了5个值。

作用范围：

一旦设置，一直会影响该区域内的随机数。
这里做了个特别有意思的实验来验证这句话：

import numpy as np

A = np.random.randn(1,2)
print("A is:",A)

np.random.seed(2)
B = np.random.randn(1,3)
print("B is:", B)

注意，只在B前面设置了seed()，所以按道理来说每次B取得值都一样，而A应该都不一样，因为A应该是随机的嘛。
运行第一遍：

A is: [[-0.23406678  0.56739342]]
B is: [[-0.41675785 -0.05626683 -2.1361961 ]]

看不出来啥，别着急，继续运行：

A is: [[ 1.64027081 -1.79343559]]
B is: [[-0.41675785 -0.05626683 -2.1361961 ]]

果然B是“固定的”，A是“随机的”，真是这样么，再运行一次确认下：

A is: [[ 1.64027081 -1.79343559]]
B is: [[-0.41675785 -0.05626683 -2.1361961 ]]

去！A也“固定了”？？？！！！！！

尝试解释一下：第一次运行的时候完全OK，A随机，然后遇到seed()，产生一个固定数组，并由seed(2)中的参数2确定了起始index，叫origin_index吧，接着遇到了需要随机的B，那么就从origin_index开始在固定数组中取3个数给B。接着第二次运行了，注意这时已经有seed()了（它的作用域是多么的强大啊），那么遇到需要随机的A，当前的index是origin_index+3，那么就从这个位置开始，取2个给A。然后又遇到seed，重新计算index=origin_index，接着是B，继续从origin_index开始在固定数组中取3个数给B………………

以上仅为个人观点，如有错误，还望指正，不胜感激！