np.random.seed在Scikit-Learn教程的下面代码中做了什么？我对NumPy的随机状态生成器不太熟悉，所以我非常感谢外行人对此的解释。
np.random.seed(0)
indices = np.random.permutation(len(iris_X))
答案 0 :(得分：370)
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])
种子重置（每次），每次都会出现相同的数字。
如果未重置随机种子，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）随机数通过从数字（种子）开始，将其乘以一个大数字，然后取该产品的模数来工作。然后将得到的数字用作种子以生成下一个“随机”数字。当您设置种子（每次）时，它每次都会执行相同的操作，为您提供相同的数字。
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，这样每次运行时代码都会执行相同的操作。
要获得每次运行的最随机数，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，如果这两者都不可用，它将使用时钟。
答案 1 :(得分：23)
如果每次调用numpy的其他随机函数时设置np.random.seed(a_fixed_number)，结果将是相同的：
>>> 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，如果您只是调用一次并使用各种随机函数，结果仍然会有所不同：
>>> 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]
答案 2 :(得分：15)
如上所述，numpy.random.seed（0）将随机种子设置为0，因此从随机获得的伪随机数将从同一个点开始。在某些情况下，这可能适用于调试。但是，经过一些阅读后，这似乎是错误的方法，如果你有线程，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（），主要的困难是它不是 线程安全 - 也就是说，如果你有许多不同的东西，它是不安全的 执行的线程，因为如果两个，它不能保证工作 不同的线程同时执行该功能。如果 你没有使用线程，如果你可以合理地期待你 不需要在将来以这种方式重写你的程序， numpy.random.seed（）应该可以用于测试目的。如果有的话 任何理由怀疑你将来可能需要线程，它是 从长远来看，建议更安全，并使当地 numpy.random.Random类的实例。据我所知， random.random.seed（）是线程安全的（或者至少，我还没有找到任何东西 证据相反）。
如何解决这个问题的例子：
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)
可能会给：
[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，可能会出现初始化为0（与没有所有位0的种子相反）可能导致少数第一次迭代的非均匀分布的情况，但这取决于关于算法，并且超出了我目前的担忧和这个问题的范围。
答案 3 :(得分：3)
想象一下，您正在向某人展示如何使用一堆“随机”数字进行编码。通过使用numpy种子，他们可以使用相同的种子编号并获得相同的“随机”编号集。
所以它不是完全随机的，因为算法会散出数字，但看起来像是随机生成的束。
答案 4 :(得分：1)
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。在特定数据集上对这些权重训练模型。经过数个时期后，您将获得一组训练有素的权重。
现在，假设您要从头开始再次训练，或者想将模型传递给其他人来重现结果，权重将再次初始化为随机数，该数字与以前的数字大多不同。在与先前相同的时期（保持相同的数据和其他参数）之后，获得的训练权重将有所不同。问题在于您的模型不再具有可复制性，因为每次您从头开始训练模型时，模型都会提供不同的权重集。这是因为每次都会使用不同的随机数来初始化模型。
如果每次您从头开始训练时，模型都会初始化为同一组随机初始化权重，该怎么办？在这种情况下，您的模型可以重现。这是通过numpy.random.seed（0）实现的。通过将seed（）提到一个特定的数字，您将始终挂在同一组随机数上。
答案 5 :(得分：1)
以上所有答案均显示了代码中np.random.seed()的实现。我将尽力简要地解释它为什么会发生。计算机是基于预定义算法设计的计算机。计算机的任何输出都是在输入上实现的算法的结果。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，但计算机并不仅仅是随机地得出它们！
因此，当我们编写np.random.seed(any_number_here)时，该算法将输出一组特定于参数any_number_here的数字。如果我们传递正确的参数，几乎就像可以获得一组特定的随机数。但是，这将要求我们了解算法的工作方式，这非常繁琐。
因此，例如，如果我写np.random.seed(10)，即使我在10年后执行同一行，除非算法发生变化，否则我获得的特定数字集将保持不变。
答案 6 :(得分：1)
我希望给出一个简短的答案：
seed使（下一个系列）随机数可预测。您可以考虑每次调用seed后，它都会预定义序列号，而numpy random会保留它的迭代器，然后每次您获得一个随机数时，它都会调用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])
您会注意到，当我设置相同的种子时，无论您每次从numpy请求多少个随机数，它总是给出相同的数字序列，在这种情况下为array([-0.41675785, -0.05626683, -1.24528809])。
答案 7 :(得分：0)
随机种子指定计算机生成随机数序列的起点。
例如，假设您要在Excel中生成一个随机数（请注意：Excel将种子的上限限制为9999）。在此过程中，如果您在“随机种子”框中输入数字，则可以再次使用同一组随机数字。如果在框中键入“ 77”，并在下次运行随机数生成器时键入“ 77”，则Excel将显示同一组随机数。如果您输入“ 99”，则会得到一组完全不同的数字。但是，如果您恢复为77的种子，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900 + x，然后减去52。”为了开始该过程，您必须指定一个起始数字x（种子）。让我们以77开头：
加900 + 77 = 977 减52 = 925 按照相同的算法，第二个“随机”数将是：
900 + 925 = 1825 减52 = 1773 这个简单的示例遵循一个模式，但是计算机数字生成背后的算法要复杂得多
答案 8 :(得分：0)
在所有平台/系统上，设置特定种子值后生成的所有随机数都相同。
答案 9 :(得分：0)
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 Merenne Twister伪随机数生成器。有关该算法的更多详细信息，请点击此处：https://en.wikipedia.org/wiki/Mersenne_Twister
答案 10 :(得分：0)
numpy.random.seed(0)
numpy.random.randint(10, size=5)
这将产生以下输出：
array([5, 0, 3, 3, 7])
同样，如果我们运行相同的代码，我们将获得相同的结果。
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)
这将产生以下输出：array([5 8 9 5 0])，但是现在输出与上面的不一样。