Python中的np.random.seed()随机数种子：使得随机数据可预测 |
您所在的位置：网站首页 › python随机数种子的概念 › Python中的np.random.seed()随机数种子：使得随机数据可预测 |
Python中的np.random.seed()随机数种子：使得随机数据可预测
|
📢📢📢📣📣📣 🌻🌻🌻Hello，大家好我叫是Dream呀，一个有趣的Python博主，多多关照😜😜😜 🏅🏅🏅Python领域优质创作者，欢迎大家找我合作学习（文末有VX 想进学习交流群or学习资料 欢迎+++） 💕入门须知：这片乐园从不缺乏天才，努力才是你的最终入场券！🚀🚀🚀 💓最后，愿我们都能在看不到的地方闪闪发光，一起加油进步🍺🍺🍺 🍉🍉🍉“一万次悲伤，依然会有Dream，我一直在最温暖的地方等你”，唱的就是我！哈哈哈~🌈🌈🌈 🌟🌟🌟✨✨✨
前言： 最近在学习过程中总是遇到np.random.seed()这个问题，刚开始总是觉得不过是一个简单的随机数种子，就没太在意，后来遇到的次数多了，才发现他竟然是如此之用处之大！接下来我就把我所学到的关于np.random.seed()的知识分享给大家！ 1. 何为随机数种子随机数种子，相当于我给接下来需要生成的随机数一个初值，按照我给的这个初值，按固定顺序生成随机数。 读到这，你如何还感觉得晦涩难懂的话，那我再举一个通俗易懂的例子： 看第一段代码： import numpy as np np.random.seed(0) # 先定义一个随机数种子 print(np.random.rand(5)) # "随机"生成5个数结果： [0.5488135 0.71518937 0.60276338 0.54488318 0.4236548 ]这里的rand（5）就是相当于生成五个数据 接着看第二段代码： import numpy as np np.random.seed(0) # 先定义一个随机数种子 print(np.random.rand(5)) # "随机"生成5个数 print(np.random.rand(5)) # 再"随机"生成5个数结果： [0.5488135 0.71518937 0.60276338 0.54488318 0.4236548 ] [0.64589411 0.43758721 0.891773 0.96366276 0.38344152]这里我们生成了十个随机数。 最后我们看第三段代码： import numpy as np np.random.seed(0) # 先定义一个随机数种子 print(np.random.rand(5)) # "随机"生成5个数 print(np.random.rand(5)) # 再"随机"生成5个数 np.random.seed(0) for i in range(7): print(np.random.random()) # "随机"生成7个数运行结果： [0.5488135 0.71518937 0.60276338 0.54488318 0.4236548 ] [0.64589411 0.43758721 0.891773 0.96366276 0.38344152] 0.7917250380826646 0.5288949197529045 0.5680445610939323 0.925596638292661 0.07103605819788694 0.08712929970154071 0.02021839744032572接下来我们的对比一下，最后输出的7个随机数的结果和我们之前分两次输出的随机数列表，我们可以很清晰的看到：我们最后输出的7个随机数便是依次从我们之前的生成的10个随机数中取得的！ 也就是说在代码中，我们看到 “ 随机 ” ，那就是说并不是真正随机（假随机）。 注意： 设置的seed()值仅一次有效 2. np.random.seed()参数问题先看一段代码： import numpy as np np.random.seed(0) print(np.random.rand(2, 3)) np.random.seed(1) print(np.random.rand(2, 3)) np.random.seed(2) print(np.random.rand(2, 3))运行结果： [[0.5488135 0.71518937 0.60276338] [0.54488318 0.4236548 0.64589411]] [[4.17022005e-01 7.20324493e-01 1.14374817e-04] [3.02332573e-01 1.46755891e-01 9.23385948e-02]] [[0.4359949 0.02592623 0.54966248] [0.43532239 0.4203678 0.33033482]]由此可知：这个参数好像并没有什么实际的意义。 最后，我们得出结论：这个参数是随便取的，可以认为是初值的标志，每次按照这个标志都可以得到相同的初值。 3. 使用方法使用之前都需要调用一下：np.random.seed(0) 错误实例： import numpy as np np.random.seed(1) L1 = np.random.randn(3, 3) L2 = np.random.randn(3, 3) print(L1) print(L2) [[ 1.62434536 -0.61175641 -0.52817175] [-1.07296862 0.86540763 -2.3015387 ] [ 1.74481176 -0.7612069 0.3190391 ]] [[-0.24937038 1.46210794 -2.06014071] [-0.3224172 -0.38405435 1.13376944] [-1.09989127 -0.17242821 -0.87785842]]正确实例： import numpy as np np.random.seed(1) L1 = np.random.randn(3, 3) np.random.seed(1) L2 = np.random.randn(3, 3) print(L1) print(L2) [[ 1.62434536 -0.61175641 -0.52817175] [-1.07296862 0.86540763 -2.3015387 ] [ 1.74481176 -0.7612069 0.3190391 ]] [[ 1.62434536 -0.61175641 -0.52817175] [-1.07296862 0.86540763 -2.3015387 ] [ 1.74481176 -0.7612069 0.3190391 ]] 4. 随机数种子问题总结（1）随机数种子相当于给我们一个初值，之后按照固定顺序生成随机数（也就是我们说的超级长的 list ） （2）随机数种子对后面的结果一直有影响，在一个随机数种子后生成的随机数都受这个随机数种子的影响，即生成的随机数都是由这个随机数种子给的初值，按照固定顺序生成的。 （3）每次使用之前都需要调用一下：np.random.seed(0) （4）np.random.seed(0)中参数0是随便取的，可以认为是初值的标志，每次按照这个标志都可以得到相同的初值 参考资料：What does numpy.random.seed(0) do? 🌲🌲🌲 好啦，这就是今天要分享给大家的全部内容了 ❤️❤️❤️如果你喜欢的话，就不要吝惜你的一键三连了~
|
【本文地址】
今日新闻 |
推荐新闻 |