我知道种子是用于初始化伪随机数生成器的数字。在pytorch中，torch.get_rng_state文档的状态如下：“将随机数生成器状态作为torch.ByteTensor返回。”。当我打印时，我得到一维张量为5048的张量，其值如下所示
张量（[80，78，248，...，0，0，0]，dtype = torch.uint8）
为什么种子有5048个值，这与我们可以使用torch.initial_seed获得的普通种子有何不同
答案 0 :(得分：1)
听起来您正在将种子和状态视为等效。对于较旧的伪随机数生成器（PRNG），这是正确的，但对于更现代的PRNG，它们倾向于按here中所述工作。 （链接中的答案是针对Mersenne Twister编写的，但这些概念同样适用于其他生成器。）
为什么没有32位或64位状态空间并将状态报告为生成器的输出是一个好主意？因为如果这样做，一旦看到任何值重复，整个序列就会重复。 PRNG被设计为“完整周期”，即在重复之前迭代尽可能多的值。 This paper表明birthday problem可以很快（O（sqrt（cycle-length））将此类PRNG识别为非随机。这意味着，例如，对于32位整数，您不应使用在统计人员可以以超过99％的置信度好胜过之前，您需要使用超过约500000个值。许多现代PRNG使用的解决方案是拥有更大的状态空间并将其折叠以输出32或64-位结果。由于多个状态可以产生相同的输出，因此输出流中将出现重复项，而不会复制整个流。这就是PyTorch所做的。
鉴于更大的状态空间，为什么允许使用单个整数进行播种？方便。例如，梅森·扭转者（Mersenne Twister）具有19,937位的状态空间，但是大多数人不想输入那么多信息来启动它。您可以根据需要进行操作，但是大多数人都使用前端，该前端从单个整数输入填充整个状态空间。