np.random.seed 在以下来自 Scikit-Learn 教程的代码中做了什么？我对 NumPy 的随机状态生成器的东西不是很熟悉，所以我非常感谢外行的术语解释。
np.random.seed(0)
indices = np.random.permutation(len(iris_X))
【问题讨论】：
np.random.seed() 和伪随机数很有帮助：sharpsightlabs.com/blog/numpy-random-seed
我希望给出一个非常简短的答案：
seed 使（下一个系列）随机数可预测。你可以想，每次调用seed后，它会预先定义序列号，numpy random 会保留它的迭代器，然后每次你得到一个随机数它就会调用get next。
例如：
np.random.seed(2)
np.random.randn(2) # array([-0.41675785, -0.05626683])
np.random.randn(1) # array([-1.24528809])
np.random.seed(2)
np.random.randn(1) # array([-0.41675785])
np.random.randn(2) # array([-0.05626683, -1.24528809])
您可以注意到，当我设置相同的种子时，无论您每次向 numpy 请求多少个随机数，它总是给出相同的数字序列，在本例中为 array([-0.41675785, -0.05626683, -1.24528809])。
【讨论】：
以上所有答案都显示了np.random.seed() 在代码中的实现。我会尽力简要解释它为什么会发生。计算机是基于预定义算法设计的机器。计算机的任何输出都是在输入上实施的算法的结果。因此，当我们要求计算机生成随机数时，请确保它们是随机的，但计算机并不是随机产生的！
因此，当我们编写 np.random.seed(any_number_here) 时，算法将输出一组特定的数字，这些数字对参数 any_number_here 是唯一的。如果我们传递正确的参数，这几乎就像可以获得一组特定的随机数。但这需要我们知道算法是如何工作的，这非常乏味。
因此，例如，如果我写 np.random.seed(10)，即使我在 10 年后执行同一行，我获得的特定数字集也将保持不变，除非算法发生变化。
【讨论】：
numpy.random.seed(0)
numpy.random.randint(10, size=5)
这会产生以下输出：
array([5, 0, 3, 3, 7])
同样，如果我们运行相同的代码，我们将得到相同的结果。
现在，如果我们将种子值 0 更改为 1 或其他值：
numpy.random.seed(1)
numpy.random.randint(10, size=5)
这会产生以下输出：array([5 8 9 5 0])，但现在的输出与上面不同。
【讨论】：
Numpy 文档中有一个很好的解释： https://docs.scipy.org/doc/numpy-1.15.1/reference/generated/numpy.random.RandomState.html 它指的是Mersenne Twister 伪随机数生成器。关于算法的更多细节在这里：https://en.wikipedia.org/wiki/Mersenne_Twister
【讨论】：
np.random.seed(0) 使随机数可预测
>>> numpy.random.seed(0) ; numpy.random.rand(4)
array([ 0.55, 0.72, 0.6 , 0.54])
>>> numpy.random.seed(0) ; numpy.random.rand(4)
array([ 0.55, 0.72, 0.6 , 0.54])
随着种子重置（每次），相同的组数字每次都会出现。
如果随机种子未重置，则每次调用都会出现不同的数字：
>>> numpy.random.rand(4)
array([ 0.42, 0.65, 0.44, 0.89])
>>> numpy.random.rand(4)
array([ 0.96, 0.38, 0.79, 0.53])
（伪）随机数的工作原理是从一个数字（种子）开始，将其乘以一个大数，添加一个偏移量，然后对该总和取模。然后将得到的数字用作生成下一个“随机”数字的种子。当你设置种子（每次）时，它每次都做同样的事情，给你同样的数字。
如果您想要看似随机的数字，请不要设置种子。但是，如果您的代码使用了要调试的随机数，那么在每次运行之前设置种子会非常有帮助，这样代码每次运行时都会执行相同的操作。
要为每次运行获取最多的随机数，请致电numpy.random.seed()。 This 将导致 numpy 将种子设置为从 /dev/urandom 或其 Windows 模拟获得的随机数，或者，如果两者都不可用，它将使用时钟。
有关使用种子生成伪随机数的更多信息，请参阅wikipedia。
【讨论】：
numpy.random.seed(None) 时，它“将尝试从 /dev/urandom（或 Windows 模拟）中读取数据（如果可用）或从时钟中读取数据”。
numpy.random.seed(None) 的精彩之处。我用该信息和文档链接更新了答案。
假设您正在向某人展示如何用一堆“随机”数字编写代码。通过使用 numpy 种子，他们可以使用相同的种子数并获得相同的“随机”数集。
所以它不是完全随机的，因为算法会吐出数字，但它看起来像是随机生成的一堆。
【讨论】：
我在神经网络中经常使用它。众所周知，当我们开始训练神经网络时，我们会随机初始化权重。该模型在特定数据集上的这些权重上进行训练。在经过数个时期后，您将获得训练有素的权重集。
现在假设您想再次从头开始训练，或者您想将模型传递给其他人以重现您的结果，权重将再次初始化为一个随机数，该随机数大部分与之前的不同。在与之前的相同数量的时期（保持相同的数据和其他参数）之后获得的训练权重会有所不同。问题是您的模型不再具有可重复性，即每次您从头开始训练模型时，它都会为您提供不同的权重集。这是因为模型每次都被不同的随机数初始化。
如果每次您从头开始训练时，模型都被初始化为相同的随机初始化权重集怎么办？在这种情况下，您的模型可能会变得可重现。这是通过 numpy.random.seed(0) 实现的。通过将 seed() 提到一个特定的数字，你总是挂在同一组随机数上。
【讨论】：
设置特定种子值后生成的所有随机数在所有平台/系统中都是相同的。
【讨论】：
如果每次调用numpy的其他随机函数时都设置np.random.seed(a_fixed_number)，结果都是一样的：
>>> import numpy as np
>>> np.random.seed(0)
>>> perm = np.random.permutation(10)
>>> print perm
[2 8 4 9 1 6 7 3 0 5]
>>> np.random.seed(0)
>>> print np.random.permutation(10)
[2 8 4 9 1 6 7 3 0 5]
>>> np.random.seed(0)
>>> print np.random.permutation(10)
[2 8 4 9 1 6 7 3 0 5]
>>> np.random.seed(0)
>>> print np.random.permutation(10)
[2 8 4 9 1 6 7 3 0 5]
>>> np.random.seed(0)
>>> print np.random.rand(4)
[0.5488135 0.71518937 0.60276338 0.54488318]
>>> np.random.seed(0)
>>> print np.random.rand(4)
[0.5488135 0.71518937 0.60276338 0.54488318]
但是，如果只是调用一次，使用各种随机函数，结果还是会有所不同：
>>> import numpy as np
>>> np.random.seed(0)
>>> perm = np.random.permutation(10)
>>> print perm
[2 8 4 9 1 6 7 3 0 5]
>>> np.random.seed(0)
>>> print np.random.permutation(10)
[2 8 4 9 1 6 7 3 0 5]
>>> print np.random.permutation(10)
[3 5 1 2 9 8 0 6 7 4]
>>> print np.random.permutation(10)
[2 3 8 4 5 1 0 6 9 7]
>>> print np.random.rand(4)
[0.64817187 0.36824154 0.95715516 0.14035078]
>>> print np.random.rand(4)
[0.87008726 0.47360805 0.80091075 0.52047748]
【讨论】：
np.random 调用设置随机种子，直到种子被更改？每次都必须调用它似乎不必要地冗长且容易忘记。
def seed_first(fun, seed=0): | \tdef wrapped(*args, **kwargs): | \t\tnp.random.seed(seed) | \t\treturn fun(*args, **kwargs) | \treturn wrapped，然后是for m in np.random.__all__: | \tif m != 'seed': | \t\tsetattr(np.random, m, seed_first(getattr(np.random, m))) 但是，从长远来看，这可能会导致非常微妙的错误和奇怪的行为。 （将 \t 替换为四个空格，将 | 替换为换行符...）
np.random.seed()总是会产生相同种子的结果相同，因为随后对 np.random 函数的调用将确定性地更改后续调用的种子。在每次调用 np.random 函数之前调用 np.random.seed() 可能会产生不希望的结果。
随机种子指定计算机生成随机数序列时的起点。
例如，假设您想在 Excel 中生成一个随机数（注意：Excel 为种子设置了 9999 的限制）。如果您在此过程中在随机种子框中输入一个数字，您将能够再次使用同一组随机数。如果您在框中键入“77”，并在下次运行随机数生成器时键入“77”，Excel 将显示同一组随机数。如果你输入“99”，你会得到一组完全不同的数字。但是，如果您恢复到种子 77，那么您将获得与开始时相同的一组随机数。
例如，“取一个数字 x，加上 900 +x，然后减去 52。”为了启动该过程，您必须指定一个起始编号 x（种子）。让我们以起始数字 77 为例：
加 900 + 77 = 977 减去 52 = 925 按照相同的算法，第二个“随机”数将是：
900 + 925 = 1825 减去 52 = 1773 这个简单的例子遵循一个模式，但计算机数字生成背后的算法要复杂得多
【讨论】：
如前所述，numpy.random.seed(0) 将随机种子设置为 0，因此您从 random 获得的伪随机数将从同一点开始。在某些情况下，这可能有利于调试。但是，经过一番阅读，如果您有线程，这似乎是错误的方法，因为它不是线程安全的。
来自differences-between-numpy-random-and-random-random-in-python：
对于numpy.random.seed()，主要的难点在于它不是 线程安全 - 也就是说，如果您有许多不同的，使用它是不安全的 执行线程，因为如果两个 不同的线程同时执行该函数。如果 你没有使用线程，如果你可以合理地期望你 将来不需要以这种方式重写您的程序， numpy.random.seed() 应该可以用于测试目的。如果有 有任何理由怀疑您将来可能需要线程，这是 从长远来看，按照建议进行操作会更安全，并在本地进行 numpy.random.Random 类的实例。据我所知， random.random.seed() 是线程安全的（或者至少，我没有找到任何 相反的证据）。
如何做的例子：
from numpy.random import RandomState
prng = RandomState()
print prng.permutation(10)
prng = RandomState()
print prng.permutation(10)
prng = RandomState(42)
print prng.permutation(10)
prng = RandomState(42)
print prng.permutation(10)
可以给：
[3 0 4 6 8 2 1 9 7 5]
[1 6 9 0 2 7 8 3 5 4]
[8 1 5 0 7 2 9 4 3 6]
[8 1 5 0 7 2 9 4 3 6]
最后，请注意，由于 xor 的工作方式，在某些情况下，初始化为 0（与并非所有位都为 0 的种子相反）可能会导致一些第一次迭代的分布不均匀，但这取决于关于算法，超出了我目前的担忧和这个问题的范围。
【讨论】：