如何检索 NumPy 随机数生成器的当前种子？

Question

以下导入 NumPy 并设置种子。

import numpy as np
np.random.seed(42)

但是，我对设置种子不感兴趣，但更喜欢阅读它。 random.get_state()似乎不包含种子。 文档没有显示明显的答案。

假设我没有手动设置它，如何检索numpy.random使用的当前种子？

我想使用当前的种子来进行流程的下一次迭代。

Answer 1

简短的回答是你根本不能（至少一般不能）。

numpy 使用的Mersenne Twister RNG 有 2 ¹⁹⁹³⁷ -1 个可能的内部状态，而单个 64 位整数只有 2 ^{64 个}可能的值。 因此不可能将每个 RNG 状态映射到唯一的整数种子。

您可以直接使用np.random.get_state和np.random.set_state获取和设置 RNG 的内部状态。 get_state的输出是一个元组，它的第二个元素是一个(624,) 32 位整数数组。 这个数组有足够多的位来表示 RNG 的每个可能的内部状态 (2 ^{624 * 32} > 2 ¹⁹⁹³⁷ -1)。

get_state返回的元组可以像种子一样使用，以创建可重复的随机数序列。 例如：

import numpy as np

# randomly initialize the RNG from some platform-dependent source of entropy
np.random.seed(None)

# get the initial state of the RNG
st0 = np.random.get_state()

# draw some random numbers
print(np.random.randint(0, 100, 10))
# [ 8 76 76 33 77 26  3  1 68 21]

# set the state back to what it was originally
np.random.set_state(st0)

# draw again
print(np.random.randint(0, 100, 10))
# [ 8 76 76 33 77 26  3  1 68 21]

Answer 2

此贡献旨在澄清 ali_m 的正确答案，并作为对 Dong Justin 建议的重要更正。

---

这些是我的发现：

1. 使用np.random.seed(X)设置随机种子后，您可以使用np.random.get_state()[1][0]再次找到它。
2. 然而，它对你没有多大用处。

以下代码部分的输出将向您展示为什么这两个语句都是正确的。

---

语句 1 - 您可以使用np.random.get_state()[1][0]找到随机种子。

如果您使用np.random.seed(123)设置随机种子，则可以使用state = np.random.get_state()将随机状态作为元组检索。 下面是对state的仔细观察（我正在使用 Spyder 中的变量资源管理器）。 我正在使用屏幕截图，因为使用print(state)会因为元组第二个元素中数组的大小而淹没您的控制台。

您可以轻松地将123视为包含在第二个元素中的数组中的第一个数字。 以及使用seed = np.random.get_state()[1][0]会给你123 。 完美的？ 不完全是，因为：

陈述 2 - 但是，它对您没有多大用处：

乍一看似乎并非如此，因为您可以使用np.random.seed(123) ，使用seed = np.random.get_state()[1][0]检索相同的数字，使用np.random.seed(444)重置种子np.random.seed(444) ，然后（似乎）使用np.random.seed(seed)将其设置回123场景。 但是你之前已经知道你的随机种子是什么，所以你不需要那样做。 下一个代码部分还将显示您不能使用np.random.get_state()[1][0]任何随机状态的第一个数字，并期望重新创建该确切场景。 请注意，您很可能必须关闭并重新启动完全你的内核（或称np.random.seed(None) ），以便能够看到这一点。

以下代码段使用np.random.randint()生成 -10 到 10 之间的 5 个随机整数，并存储有关该过程的一些信息：

片段 1

# 1. Imports
import pandas as pd
import numpy as np

# 2. set random seed
#seedSet = None
seedSet = 123
np.random.seed(seedSet)

# 3. describe random state
state = np.random.get_state()
state5 = np.random.get_state()[1][:5]
seedState = np.random.get_state()[1][0]

# 4. generate random numbers
random = np.random.randint(-10, 10, size = 5)

# 5. organize and present findings
df = pd.DataFrame.from_dict({'seedSet':seedSet, 'seedState':seedState, 'state':state, 'random':random})
print(df)

请注意，名为seedState的列与state下的第一个数字相同。 我可以把它作为一个独立的数字打印出来，但我想把它都放在同一个地方。 另请注意， seedSet = 123和np.random.seed(seedSet)到目前为止已被注释掉。 而且由于没有设置随机种子，您的数字将与我的不同。 但这不是这里重要的，而是结果的内部一致性：

输出 1：

   random seedSet   seedState       state
0       2    None  1558056443  1558056443
1      -1    None  1558056443  1808451632
2       4    None  1558056443   730968006
3      -4    None  1558056443  3568749506
4      -6    None  1558056443  3809593045

在这种特殊情况下， seed = np.random.get_state()[1][0]等于1558056443 。 并按照 Dong Justins 回答的逻辑（以及我自己在此编辑之前的回答），您可以使用np.random.seed(1558056443)设置随机种子并获得相同的随机状态。 下一个片段将表明您不能：

片段 2

# 1. Imports
import pandas as pd
import numpy as np

# 2. set random seed
#seedSet = None
seedSet = 1558056443
np.random.seed(seedSet)

# 3. describe random state
#state = np.random.get_state()
state = np.random.get_state()[1][:5]
seedState = np.random.get_state()[1][0]

# 4. generate random numbers
random = np.random.randint(-10, 10, size = 5)

# 5. organize and present findings
df = pd.DataFrame.from_dict({'seedSet':seedSet, 'seedState':seedState, 'state':state, 'random':random})
print(df)

输出 2：

   random     seedSet   seedState       state
0       8  1558056443  1558056443  1558056443
1       3  1558056443  1558056443  1391218083
2       7  1558056443  1558056443  2754892524
3      -8  1558056443  1558056443  1971852777
4       4  1558056443  1558056443  2881604748

看到不同？ np.random.get_state()[1][0]与输出 1 和输出 2 相同，但输出的其余部分不同（最重要的是随机数不相同）。 所以，正如 ali_m 已经明确说明的那样：

因此不可能将每个 RNG 状态映射到唯一的整数种子。

Answer 3

检查np.random.get_state()返回的数组的第一个元素，对我来说这似乎正是随机种子。

Answer 4

这个答案补充了其他人错过的重要细节。 首先，重申一下结论：

生成数字后无法检索原始随机种子（通过np.random.seed设置），但中间体（当前状态）可以。

参考@vestland 的回答； 然而，它可能会误导：生成的数字不同不是因为无法映射状态，而是使用了不完整的编码： get_state()[1] 。 完整的表示包括pos = get_state()[2] 。 为了显示：

import numpy as np

state0 = np.random.get_state()
rand0  = np.random.randint(0, 10, 1)
state1 = np.random.get_state()
rand1  = np.random.randint(0, 10, 1)

assert all(s0 == s1 for s0, s1 in zip(state0[1], state1[1]))

我们生成了一个数字，但get_state()[1]保持不变。 然而：

np.random.set_state(state0)
assert np.random.randint(0, 10, 1) == rand0

同样对于state1和rand1 。 因此，@vestland 的数字不同，因为当不设置种子时， pos = 623 - 而如果我们使用np.random.seed ， pos = 624 。 为什么会有不方便的差异？ 没有线索。

---

总结np.random.seed(s) ：

• get_state()[1][0]设置后立即：检索完全重新创建状态的s
• get_state()[1][0]生成数字后：可能会也可能不会检索s ，但它不会重新创建当前状态（在get_state() ）
• get_state()[1][0]生成许多​​数字后：不会检索s 。 这是因为pos用尽了它的表示。
• get_state()在任何时候：将完全重新创建那个点。

最后，行为也可能因get_state()[3:] （当然还有[0] ）而不同。