Python Numpy：循环中的随机数

Question

我有这样的代码，并使用Jupyter-Notebook

for j in range(timesteps):    
    a_int = np.random.randint(largest_number/2) # int version

我得到随机数，但是当我尝试将部分代码移到函数中时，每次迭代我都开始收到相同的数字

def create_train_data():        
    np.random.seed(seed=int(time.time()))     
    a_int = np.random.randint(largest_number/2) # int version
    return a

for j in range(timesteps):    
    c = create_train_data()  

为什么会发生以及如何解决？ 我认为可能是因为Jupyter-Notebook中的过程

Answer 1

令人反感的代码行是

np.random.seed(seed=int(time.time()))

由于您执行的循环相当快，因此在该时间调用int()可将整个循环的随机种子数减少为相同的数量。 如果您确实要手动设置种子，则下面是一种更可靠的方法。

def create_train_data():   
    a_int = np.random.randint(largest_number/2) # int version
    return a

np.random.seed(seed=int(time.time()))
for j in range(timesteps):
    c = create_train_data()

请注意，种子是如何一次创建然后用于整个循环的，因此每次调用一个随机整数时，种子都会更改而不会被重置。

请注意，numpy已经处理了伪随机种子。 使用它不会获得更多随机结果。 手动设置种子的常见原因是要确保可重复性。 您将程序开始时（笔记本顶部）的种子设置为某个固定的整数（我在许多教程中看到42），然后所有计算都从该种子开始。 如果有人想验证您的结果，那么算法的随机性就不会成为一个混杂因素。

Answer 2

其他答案是正确的，因为它是种子。 如果您查看SciPy的文档，您会发现种子用于创建可预测的随机序列。 但是，我认为从另一个有关种子的问题得到的以下回答可以更好地概述其作用以及使用原因/用途。 numpy.random.seed（0）有什么作用？

Answer 3

如果您对伪随机数感到满意，汉斯·穆斯格雷夫（Hans Musgrave）的答案很好。 伪随机数对大多数应用程序都很好，但如果用于密码学，则会出现问题。

获取一个真正的随机数的标准方法是在拉出该数字之前为该随机数生成器植入系统时间，就像您尝试过的那样。 但是，正如汉斯·马斯格雷夫（Hans Musgrave）所指出的那样，如果将时间转换为整数，则以秒为单位的时间将很可能在整个循环中都是相同的。 随时间播种RNG的正确解决方案是：

def create_train_data():        
    np.random.seed()     
    a_int = np.random.randint(largest_number/2) # int version
    return a

之所以有效，是因为如果您没有向np.random.seed传递任何参数（或None ）， np.random.seed Numpy已经使用了计算机时钟或其他随机数作为种子：

参数： seed ： {None, int, array_like} ，可选随机种子，用于初始化伪随机数生成器。 可以是0到2**32 - 1含）之间的任何整数，此类整数的数组（或其他序列）或None （默认值）。 如果seed为None ，则RandomState将尝试从/dev/urandom （或Windows类似物）（如果有）中读取数据，否则从时钟中读取种子。

但这完全取决于您的应用程序。 请注意文档中的警告：

警告请勿出于安全目的使用此模块的伪随机数生成器。 有关安全性或加密用途，请参阅机密模块。