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动到函数时，我开始在每次迭代中收到相同的数字

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()  

为什么会发生这种情况以及如何解决？我想可能是因为 Jupyter-Notebook 中的过程

Answer 1

有问题的代码行是

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

由于您是在一个很快完成的循环中执行的，因此在此时调用int() 会将您的随机种子减少到整个循环的相同数量。如果你真的想手动设置种子，下面是一个更健壮的方法。

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()

注意种子是如何被创建一次然后用于整个循环的，这样每次调用一个随机整数时，种子都会改变而不被重置。

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。手动设置种子的一个常见原因是确保可重复性。您在程序开始时（笔记本顶部）将种子设置为某个固定整数（我在很多教程中看到 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，算法的随机性不能成为混淆因素。

Answer 2

其他答案是正确的，因为它是因为种子。如果您查看Documentation From SciPy，您会看到种子用于创建可预测的随机序列。但是，我认为另一个关于种子的问题的以下答案可以更好地概述它的作用以及为什么/在哪里使用它。 What does numpy.random.seed(0) do?

Answer 3

如果您对伪随机数感到满意，Hans Musgrave 的回答会非常棒。伪随机数适用于大多数应用程序，但如果用于加密，则会出现问题。

获取一个真正随机数的标准方法是在提取数字之前为随机数生成器播种系统时间，就像您尝试过的那样。但是，正如 Hans Musgrave 指出的那样，如果您将时间转换为 int，您将获得以秒为单位的时间，这在整个循环中很可能是相同的。使用时间播种 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

这是因为 Numpy 已经使用计算机时钟或其他随机源作为种子，如果您不向 np.random.seed 传递参数（或 None）：

参数： seed：{None, int, array_like}，可选随机种子 初始化伪随机数生成器。可以是任意整数 在0 和2**32 - 1 之间，一个数组（或其他序列） 这样的整数，或None（默认值）。如果seed 是None，那么 RandomState 将尝试从/dev/urandom（或 Windows 模拟）如果可用或从时钟种子否则。

不过，这完全取决于您的应用程序。请注意文档中的警告：

警告不应使用此模块的伪随机生成器 出于安全目的。有关安全或加密用途，请参阅 秘密模块。