numpy中np.random.seed()的详细用法
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
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
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.
下一篇:
给新手的Java学习建议