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Devmax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Devmax！