numpy中np.random.seed()的详细用法

在进行机器学习和深度学习中，我们会经常用到np.random.seed()，利用随机数种子，使得每次生成的随机数相同。

numpy.randn.randn(d0，d1，...，dn)

• randn函数根据给定维度生成大概率在（-2.58~+2.58）之间的数据
• randn函数返回一个或者一组样本，具有标准正态分布
• dn表示每个维度
• 返回值为指定维度的array

import numpy as np

a = np.random.randn(2,4)　　#4*2矩阵
print(a)

b = np.random.randn(4,3,2)　　#shape：4*3*2
print(b)

我们将带着两个问题进行np.random.seed()的学习：

　　1.np.random.seed()是否一直有效？

　　2.np.random.seed(Argument)的参数作用？

E.G.实验

# -*- coding: utf-8 -*- 
# @Time : 2019/10/26 20:57 
# @Author : BaoBao
# @Mail : [email protected] 
# @File : random.seed.py 
# @Software: PyCharm

import numpy as np

if __name__ == '__main__':
    i = 0
    while (i < 6):
        if (i < 3):
            np.random.seed(0)
            print(np.random.randn(1, 5))
        else:
            print(np.random.randn(1, 5))
            pass
        i += 1

    print("-------------------")
    i = 0
    while (i < 2):
        print(np.random.randn(1, 5))
        i += 1
    print(np.random.randn(2, 5))

    print("---------reset----------")
    np.random.seed(0)
    i = 0
    while (i < 8):
        print(np.random.randn(1, 5))
        i += 1

运行截图：

　　可以看出，np.random.seed()对后面的随机数一直有效。

　　两次利用random.seed()后，即使跳出循环以后，生成随机数的结果依然相同。第一次跳出while循环后，进入第二次while循环，

得到的两个随机数组确实和加了随机数种子不一样。但是后面的加入随机数种子的，八次循环中的结果和前面的结果是一样的。说明，

随机数种子对后面的结果一直有影响。同时，加入随机数种子以后，后面的数组都是按一定的顺序生成的。

E.G.随机数种子参数的作用

# -*- coding: utf-8 -*- 
# @Time : 2019/10/26 20:57 
# @Author : BaoBao
# @Mail : [email protected] 
# @File : random.seed.py 
# @Software: PyCharm

import numpy as np

if __name__ == '__main__':
    i = 0
    np.random.seed(0)
    while (i < 3):
        print(np.random.randn(1, 5))
        i += 1
    i = 0
    print("---------------------")
    np.random.seed(1)
    i = 0
    while (i < 3):
        print(np.random.randn(1, 5))
        i += 1

运行截图：

　　当随机数种子参数为0和1时，生成的随机数结果相同。说明该参数指定了一个随机数生成的起始位置。每个参数对应一个位置。

并且在该参数确定后，其后面的随机数的生成顺序也就确定了。所以，随机数种子的参数怎么选择？这个参数只是确定一下随机数的起始位置，可随意分配.