`numpy.random.seed()` 的工作范圍是多少？

Question

在 python 控制台中，如果要保持輸出相同，則必須在每次運行時設置種子。

In[0]: import numpy as np

In[1]: np.random.seed(1); np.random.randint(1, 10, 5)
Out[0]: array([6, 9, 6, 1, 1])

In[2]: np.random.seed(1); np.random.randint(1, 10, 5)
Out[1]: array([6, 9, 6, 1, 1])

In[3]: np.random.randint(1, 10, 5)
Out[2]: array([2, 8, 7, 3, 5]) # Different output if the seed was not set

但是，當涉及到運行多個文件的代碼時，一個文件中的隨機函數會受到另一個導入模塊中設置的種子的影響，這可能會導致一些意想不到的問題。

說，我有兩個文件

# main.py
from myfunc import *
import numpy as np

myfunc()
print('main.py:', np.random.randint(1, 10, 5))

和

# myfunc.py
import numpy as np

def myfunc():
    np.random.seed(2019)
    numbers = np.random.randint(1, 10, 5)
    print('myfunc:', numbers)

如果我運行main兩次，我會得到相同的結果

myfunc.py: [9 3 6 9 7]
main.py: [9 1 1 8 9]

和

myfunc.py: [9 3 6 9 7]
main.py: [9 1 1 8 9]

這意味着即使沒有在main.py設置randint也已播種。 看到這一點，我想那是因為np.random.seed()有點全局性。 我應該小心使用它，特別是當我只想讓它在本地工作時。

到目前為止，我的解決方案是在我使用完種子時重置種子。 喜歡

np.random.seed(2019)
numbers = np.random.randint(1, 10, 5)
np.random.seed()

我不確定np.random.seed()的工作范圍是np.random.seed() 。 還有其他方法可以避免全局設置問題嗎？

Answer 1

您可以創建numpy.random.RandomState的本地實例以絕對確保種子是本地的：

>>> import numpy as np
>>> first_state = np.random.RandomState(seed=1)
>>> first_state.rand()
0.417022004702574
>>> first_state.rand()
0.7203244934421581
>>> second_state = np.random.RandomState(seed=1)
>>> second_state.rand()
0.417022004702574
>>> second_state.rand()
0.7203244934421581

然后，您可以調用從該本地對象的不同分布中繪制數字的所有函數，例如： state.rand() 、 state.normal() 、 state.uniform()等。

Answer 2

使用np.random.seed()您將播種全局numpy.random.RandomState 。 作為旁注，可以像這樣訪問全局（默認） RandomState ：

numpy_default_rng = numpy.random.random.__self__

要僅在本地為您的RandomState您可以創建自己的實例並使用其方法繪制數字。 （另見此處）

例如：

random_state = numpy.random.RandomState(seed=2)
random_state.randint(10)

將始終返回相同的結果，而無需對 np.random 進行其他調用