我可以创建一个本地 numpy 随机种子吗？

Question

有一个函数foo，它使用np.random 功能。 我想控制foo 使用的种子，但实际上并没有改变函数本身。 我该怎么做？

基本上我想要这样的东西：

bar() # should have normal seed
with np.random.seed(0): # Doesn't work
    foo()
bar() # should have normal seed

---

解决方案如 this:

rng = random.Random(42)
number = rng.randint(10, 20)

在这种情况下不起作用，因为我无法访问 foo 的内部工作（或者我错过了什么？？）。

Answer 1

我认为这个想法是当给定一个起始种子时，对bar() 的调用应该总是看到相同的随机数序列；不管中间插入了多少对foo()的调用。

我们可以通过从随机状态创建一个随机种子来做到这一点，当临时播种状态完成时，我们使用该随机种子重新播种。这可以包装在上下文管理器中：

import numpy as np

class temporary_seed:
    def __init__(self, seed):
        self.seed = seed
        self.backup = None

    def __enter__(self):
        self.backup = np.random.randint(2**32-1, dtype=np.uint32)
        np.random.seed(self.seed)

    def __exit__(self, *_):
        np.random.seed(self.backup)

让我们试试这个

def bar():
    print('bar:', np.random.randint(10))

def foo():
    print('foo:', np.random.randint(10))

np.random.seed(999)

bar()  # bar: 0
with temporary_seed(42):
    foo()  # foo: 6
    foo()  # foo: 3
bar()  # bar: 9

所以我们得到 bar-sequence [0, 9] 和 foo-sequence [6, 3]。

我们在不重新全局播种的情况下重试：

bar()  # bar: 1
with temporary_seed(42):
    foo()  # foo: 6
    foo()  # foo: 3
bar()  # bar: 2

新的 bar-sequence [1, 2] 和相同的 foo-sequence 再次 [6, 3]。

再次使用相同的全局种子，但 foo 的种子不同：

np.random.seed(999)

bar()  # bar: 0
with temporary_seed(0):
    foo()  # foo: 5
bar()  # bar: 9

这次我们再次得到第一个 bar-sequence [0, 9] 和一个不同的 foo。不错！

那么问题在哪里？通过进入和离开临时种子部分，我们改变了随机状态。我们这样做是确定性的，结果是可重复的，但是如果我们不调用输入temorary_seed，则得到不同的序列：

np.random.seed(999)

bar()  # bar: 0
bar()  # bar: 5

条形序列 [0, 5] 而不是 [0, 9]。如果您可以忍受这种限制，那么这种方法应该可行。

Answer 2

您可以将全局随机状态保存在一个临时变量中，并在您的函数完成后将其重置：

import contextlib
import numpy as np

@contextlib.contextmanager
def temp_seed(seed):
    state = np.random.get_state()
    np.random.seed(seed)
    try:
        yield
    finally:
        np.random.set_state(state)

演示：

>>> np.random.seed(0)
>>> np.random.randn(3)
array([1.76405235, 0.40015721, 0.97873798])
>>> np.random.randn(3)
array([ 2.2408932 ,  1.86755799, -0.97727788])

>>> np.random.seed(0)
>>> np.random.randn(3)
array([1.76405235, 0.40015721, 0.97873798])
>>> with temp_seed(5):
...     np.random.randn(3)                                                                                        
array([ 0.44122749, -0.33087015,  2.43077119])
>>> np.random.randn(3)
array([ 2.2408932 ,  1.86755799, -0.97727788])