引言
在进行机器学习和深度学习中，我们会经常用到np.random.seed()，利用随机数种子，使得每次生成的随机数相同。
numpy.randn.randn(d0，d1，...，dn)
- randn函数根据给定维度生成大概率在（-2.58~+2.58）之间的数据
- randn函数返回一个或者一组样本，具有标准正态分布
- dn表示每个维度
- 返回值为指定维度的array
import numpy as np
a = np.random.randn(2,4) #4*2矩阵
print(a)
b = np.random.randn(4,3,2) #shape：4*3*2
print(b)
我们将带着两个问题进行np.random.seed()的学习：
1.np.random.seed()是否一直有效？
2.np.random.seed(Argument)的参数作用？
E.G.实验
# -*- coding: utf-8 -*-
# @Time : 2019/10/26 20:57
# @Author : BaoBao
# @Mail : baobaotql@163.com
# @File : random.seed.py
# @Software: PyCharm
import numpy as np
if __name__ == '__main__':
i = 0
while (i < 6):
if (i < 3):
np.random.seed(0)
print(np.random.randn(1, 5))
else:
print(np.random.randn(1, 5))
pass
i += 1
print("-------------------")
i = 0
while (i < 2):
print(np.random.randn(1, 5))
i += 1
print(np.random.randn(2, 5))
print("---------reset----------")
np.random.seed(0)
i = 0
while (i < 8):
print(np.random.randn(1, 5))
i += 1运行截图：
可以看出，np.random.seed()对后面的随机数一直有效。
两次利用random.seed()后，即使跳出循环以后，生成随机数的结果依然相同。第一次跳出while循环后，进入第二次while循环，
得到的两个随机数组确实和加了随机数种子不一样。但是后面的加入随机数种子的，八次循环中的结果和前面的结果是一样的。说明，
随机数种子对后面的结果一直有影响。同时，加入随机数种子以后，后面的数组都是按一定的顺序生成的。
E.G.随机数种子参数的作用
# -*- coding: utf-8 -*-
# @Time : 2019/10/26 20:57
# @Author : BaoBao
# @Mail : baobaotql@163.com
# @File : random.seed.py
# @Software: PyCharm
import numpy as np
if __name__ == '__main__':
i = 0
np.random.seed(0)
while (i < 3):
print(np.random.randn(1, 5))
i += 1
i = 0
print("---------------------")
np.random.seed(1)
i = 0
while (i < 3):
print(np.random.randn(1, 5))
i += 1运行截图：
当随机数种子参数为0和1时，生成的随机数结果相同。说明该参数指定了一个随机数生成的起始位置。每个参数对应一个位置。
并且在该参数确定后，其后面的随机数的生成顺序也就确定了。所以，随机数种子的参数怎么选择？这个参数只是确定一下随机数的起始位置，可随意分配.
补充：一个随机种子在代码中只作用一次，只作用于其定义位置的下一次随机数生成
import numpy as np
num=0
print(np.random.random())#没有设置随机种子 那么这里是根据系统时间为参数生成的随机数
np.random.seed(5)
while(num<5):
print(np.random.random())
num+=1
总结
到此这篇关于Python numpy中np.random.seed()详细用法的文章就介绍到这了,更多相关numpy.random.seed()的用法内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！
