random.seed()：它有什么作用？

Question

我对random.seed()在 Python 中的作用有点困惑。 例如，为什么下面的试验会（一致地）做他们所做的事情？

>>> import random
>>> random.seed(9001)
>>> random.randint(1, 10)
1
>>> random.randint(1, 10)
3
>>> random.randint(1, 10)
6
>>> random.randint(1, 10)
6
>>> random.randint(1, 10)
7

我找不到这方面的好文档。

Answer 1

伪随机数生成器通过对值执行一些操作来工作。 通常，此值是生成器生成的前一个数字。 但是，第一次使用生成器时，没有以前的值。

为伪随机数生成器做种子会为其提供第一个“前一个”值。 每个种子值将对应于给定随机数生成器的一系列生成值。 也就是说，如果您提供相同的种子两次，您将获得两次相同的数字序列。

通常，您希望为随机数生成器设置一些值，该值会改变程序的每次执行。 例如，当前时间是一个经常使用的种子。 这不会自动发生的原因是，如果您愿意，您可以提供特定的种子来获得已知的数字序列。

Answer 2

所有其他答案似乎都没有解释 random.seed() 的使用。 这是一个简单的例子（来源）：

import random
random.seed( 3 )
print "Random number with seed 3 : ", random.random() #will generate a random number 
#if you want to use the same random number once again in your program
random.seed( 3 )
random.random()   # same random number as before

Answer 3

>>> random.seed(9001)   
>>> random.randint(1, 10)  
1     
>>> random.seed(9001)     
>>> random.randint(1, 10)    
1           
>>> random.seed(9001)          
>>> random.randint(1, 10)                 
1                  
>>> random.seed(9001)         
>>> random.randint(1, 10)          
1     
>>> random.seed(9002)                
>>> random.randint(1, 10)             
3

你试试这个。

假设 'random.seed' 为随机值生成器 ('random.randint()') 提供一个值，该生成器基于此种子生成这些值。 随机数的必备属性之一是它们应该是可重现的。 当你放置相同的种子时，你会得到相同的随机数模式。 这样您就可以从一开始就生成它们。 你给了一个不同的种子——它以不同的首字母开头（3以上）。

给定一个种子，它将一个接一个地生成 1 到 10 之间的随机数。 所以你假设一个种子值有一组数字。

Answer 4

随机数是通过对先前值的某种操作生成的。

如果没有以前的值，则当前时间将自动作为以前的值。 我们可以使用random.seed(x)自己提供这个先前的值，其中x可以是任何数字或字符串等。

因此random.random()实际上并不是完美的随机数，它可以通过random.seed(x)进行预测。

import random 
random.seed(45)            #seed=45  
random.random()            #1st rand value=0.2718754143840908
0.2718754143840908  
random.random()            #2nd rand value=0.48802820785090784
0.48802820785090784  
random.seed(45)            # again reasign seed=45  
random.random()
0.2718754143840908         #matching with 1st rand value  
random.random()
0.48802820785090784        #matching with 2nd rand value

因此，生成随机数实际上并不是随机的，因为它运行在算法上。 算法总是基于相同的输入给出相同的输出。 这意味着，这取决于种子的价值。 因此，为了使其更加随机，时间会自动分配给seed() 。

Answer 5

Seed() can be used for later use ---

Example:
>>> import numpy as np
>>> np.random.seed(12)
>>> np.random.rand(4)
array([0.15416284, 0.7400497 , 0.26331502, 0.53373939])
>>>
>>>
>>> np.random.seed(10)
>>> np.random.rand(4)
array([0.77132064, 0.02075195, 0.63364823, 0.74880388])
>>>
>>>
>>> np.random.seed(12) # When you use same seed as before you will get same random output as before
>>> np.random.rand(4)
array([0.15416284, 0.7400497 , 0.26331502, 0.53373939])
>>>
>>>
>>> np.random.seed(10)
>>> np.random.rand(4)
array([0.77132064, 0.02075195, 0.63364823, 0.74880388])
>>>

Answer 6

# Simple Python program to understand random.seed() importance

import random

random.seed(10)

for i in range(5):    
    print(random.randint(1, 100))

多次执行上述程序...

第一次尝试：打印 1 - 100 范围内的 5 个随机整数

第二次尝试：打印上述执行中出现的相同的 5 个随机数。

第三次尝试：相同

.....很快

解释：每次我们运行上面的程序时，我们都将种子设置为 10，然后随机生成器将其作为参考变量。 然后通过执行一些预定义的公式，它会生成一个随机数。

因此，在下一次执行中将种子设置为 10 再次将参考编号设置为 10，并且再次开始相同的行为......

一旦我们重置种子值，它就会给出相同的植物。

注意：更改种子值并运行程序，您将看到与前一个不同的随机序列。

Answer 7

在这种情况下，随机实际上是伪随机。 给定一个种子，它将生成具有相等分布的数字。 但是使用相同的种子，它每次都会生成相同的数字序列。 如果你想改变它，你就必须改变你的种子。 很多人喜欢根据当前时间或其他东西生成种子。

Answer 8

恕我直言，当您再次使用random.seed(samedigit)时，它用于生成相同的随机课程结果。

In [47]: random.randint(7,10)

Out[47]: 9


In [48]: random.randint(7,10)

Out[48]: 9


In [49]: random.randint(7,10)

Out[49]: 7


In [50]: random.randint(7,10)

Out[50]: 10


In [51]: random.seed(5)


In [52]: random.randint(7,10)

Out[52]: 9


In [53]: random.seed(5)


In [54]: random.randint(7,10)

Out[54]: 9

Answer 9

在生成一组随机数之前设置seed(x)并使用相同的种子生成相同的随机数集。 在重现问题的情况下很有用。

>>> from random import *
>>> seed(20)
>>> randint(1,100)
93
>>> randint(1,100)
88
>>> randint(1,100)
99
>>> seed(20)
>>> randint(1,100)
93
>>> randint(1,100)
88
>>> randint(1,100)
99
>>> 

Answer 10

这是我的理解。 每次我们设置种子值时，都会生成一个“标签”或“引用”。 下一个 random.function 调用附加到这个“标签”，所以下次你调用相同的种子值和 random.function 时，它会给你相同的结果。

np.random.seed( 3 )
print(np.random.randn()) # output: 1.7886284734303186

np.random.seed( 3 )
print(np.random.rand()) # different function. output: 0.5507979025745755

np.random.seed( 5 )
print(np.random.rand()) # different seed value. output: 0.22199317108973948

Answer 11

random.seed(a, version)用于初始化伪随机数生成器 (PRNG) 。

PRNG 是生成近似随机数属性的数字序列的算法。 可以使用种子值复制这些随机数。 因此，如果您提供种子值，PRNG 将从使用种子的任意起始状态开始。

参数a是种子值。 如果 a 值为None ，则默认使用当前系统时间。

和version是一个整数，指定如何将 a 参数转换为整数。 默认值为 2。

import random
random.seed(9001)
random.randint(1, 10) #this gives output of 1
# 1

如果您想要复制相同的随机数，请再次提供相同的种子

random.seed(9001)
random.randint(1, 10) # this will give the same output of 1
# 1

如果你不提供种子，那么它会生成不同的数字而不是像以前一样的 1

random.randint(1, 10) # this gives 7 without providing seed
# 7

如果您提供与以前不同的种子，那么它将为您提供不同的随机数

random.seed(9002)
random.randint(1, 10) # this gives you 5 not 1
# 5

因此，总而言之，如果您希望复制相同的随机数，请提供种子。 具体来说，相同的种子。

Answer 12

这是一个小测试，它演示了使用相同的参数提供seed()方法将导致相同的伪随机结果：

# testing random.seed()

import random

def equalityCheck(l):
    state=None
    x=l[0]
    for i in l:
        if i!=x:
            state=False
            break
        else:
            state=True
    return state


l=[]

for i in range(1000):
    random.seed(10)
    l.append(random.random())

print "All elements in l are equal?",equalityCheck(l)