我正在研究Python的多处理模块。 我有两个案例：
实施例。 1
def Foo_np(nbr_iter):
np.random.seed()
print np.random.uniform(0,1,nbr_iter)
Ex 2.（使用numpy）
{{1}}
在这两种情况下，随机数生成器都在其分叉进程中播种。
为什么我必须在numpy示例中明确地进行种子设定，而不是在Python示例中？
答案 0 :(得分：15)
如果没有明确提供种子，numpy.random将使用依赖于操作系统的随机源来播种自身。通常它将在基于Unix的系统（或某些Windows等效系统）上使用/dev/urandom，但如果由于某种原因这不可用，那么它将从挂钟中播种。由于自动种子在新的子进程分叉时发生，因此如果多个子进程同时分叉，则可能会继承相同的种子，导致不同子进程生成相同的随机变量。
这通常与您运行的并发线程数相关。例如：
import numpy as np
import random
from multiprocessing import Pool
def Foo_np(seed=None):
# np.random.seed(seed)
return np.random.uniform(0, 1, 5)
pool = Pool(processes=8)
print np.array(pool.map(Foo_np, xrange(20)))
# [[ 0.14463001 0.80273208 0.5559258 0.55629762 0.78814652] <-
# [ 0.14463001 0.80273208 0.5559258 0.55629762 0.78814652] <-
# [ 0.14463001 0.80273208 0.5559258 0.55629762 0.78814652] <-
# [ 0.14463001 0.80273208 0.5559258 0.55629762 0.78814652] <-
# [ 0.14463001 0.80273208 0.5559258 0.55629762 0.78814652] <-
# [ 0.14463001 0.80273208 0.5559258 0.55629762 0.78814652] <-
# [ 0.14463001 0.80273208 0.5559258 0.55629762 0.78814652] <-
# [ 0.64672339 0.99851749 0.8873984 0.42734339 0.67158796]
# [ 0.64672339 0.99851749 0.8873984 0.42734339 0.67158796]
# [ 0.64672339 0.99851749 0.8873984 0.42734339 0.67158796]
# [ 0.64672339 0.99851749 0.8873984 0.42734339 0.67158796]
# [ 0.64672339 0.99851749 0.8873984 0.42734339 0.67158796]
# [ 0.11283279 0.28180632 0.28365286 0.51190168 0.62864241]
# [ 0.11283279 0.28180632 0.28365286 0.51190168 0.62864241]
# [ 0.28917586 0.40997875 0.06308188 0.71512199 0.47386047]
# [ 0.11283279 0.28180632 0.28365286 0.51190168 0.62864241]
# [ 0.64672339 0.99851749 0.8873984 0.42734339 0.67158796]
# [ 0.11283279 0.28180632 0.28365286 0.51190168 0.62864241]
# [ 0.14463001 0.80273208 0.5559258 0.55629762 0.78814652] <-
# [ 0.11283279 0.28180632 0.28365286 0.51190168 0.62864241]]
你可以看到最多8个线程的组同时分叉同一个种子，给我相同的随机序列（我用箭头标记了第一组）。
在子进程内调用np.random.seed()会强制线程本地RNG实例从/dev/urandom或挂钟再次播种，这将（可能）阻止您看到来自多个子进程的相同输出。最佳做法是将不同的种子（或numpy.random.RandomState实例）显式传递给每个子进程，例如：
def Foo_np(seed=None):
local_state = np.random.RandomState(seed)
print local_state.uniform(0, 1, 5)
pool.map(Foo_np, range(20))
我不完全确定random和numpy.random在这方面的差异是什么（或许与选择自我种子的随机性来源略有不同numpy.random？）。我仍然建议明确地将种子或random.Random实例传递给每个子进程以保证安全。您还可以使用random.Random Random方法，该方法旨在改变多线程程序中for (i in 1:n){
for (k in 1:c){
lat1=radians(Geocode[i,1])
lon1=radians(Geocode[i,2])
lat2=radians(Center_lat[k,2])
lon2=radians(Center_lon[k,2])
R <- 3958.756 # Earth mean radius [miles]
dist_mat[i,k] <- acos(sin(lat1)*sin(lat2) + cos(lat1)*cos(lat2) * cos(lon2-lon1)) * R
}
}
个实例的状态。
答案 1 :(得分：1)
这是一个不错的blog post，它将说明numpy.random的工作方式。
如果使用np.random.rand()，它将使用导入np.random模块时创建的种子。因此，您需要在每个线程上手动创建一个新种子（例如，参见博客文章中的示例）。
python random模块没有这个问题，并自动为每个线程生成不同的种子。
答案 2 :(得分：0)
numpy 1.17刚刚介绍了[quoting]“ ..实施的三种策略可用于跨多个进程（本地或分布式）产生可重复的伪随机数。”
第一种策略是使用SeedSequence对象。那里有很多父/子选项，但对于我们来说，如果您想要相同的生成随机数，但每次运行都不同：
（python3，从4个进程中打印3个随机数）
In [321]: p = np.random.rand(1000, 120)
In [322]: p /= p.sum(axis=1, keepdims=True)
In [323]: %timeit vectorized_choice(p, 20, items=np.arange(1, p.shape[1]+1))
6.41 ms ± 20.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
In [324]: %timeit random_choice_prob_vectorized(p, 20, choice=np.arange(1, p.shape[1]+1))
6.29 ms ± 342 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
如果您希望相同的结果用于复制目的，则可以使用相同的种子（17）来简单地播种numpy：
from numpy.random import SeedSequence, default_rng
from multiprocessing import Pool
def rng_mp(rng):
return [ rng.random() for i in range(3) ]
seed_sequence = SeedSequence()
n_proc = 4
pool = Pool(processes=n_proc)
pool.map(rng_mp, [ default_rng(seed_sequence) for i in range(n_proc) ])
# 2 different runs
[[0.2825724770857644, 0.6465318335272593, 0.4620869345284885],
[0.2825724770857644, 0.6465318335272593, 0.4620869345284885],
[0.2825724770857644, 0.6465318335272593, 0.4620869345284885],
[0.2825724770857644, 0.6465318335272593, 0.4620869345284885]]
[[0.04503760429109904, 0.2137916986051025, 0.8947678672387492],
[0.04503760429109904, 0.2137916986051025, 0.8947678672387492],
[0.04503760429109904, 0.2137916986051025, 0.8947678672387492],
[0.04503760429109904, 0.2137916986051025, 0.8947678672387492]]