nump中的为随机数产生器的seed():np.random.RandomState
2017-09-08 09:44
435 查看
笔记:
nump.random.RandomState(0)为随机数产生器的种子,里面的数字相同,则产生的随机数相同。
该段代码的目的是产生一个2行3列的assarray,其中的每个元素都是[0,1]区间的均匀分布的随机数
这里看以看到,有一个23355这个数字,其实,它是伪随机数产生器的种子,也就是“the starting point for a sequence of pseudorandom number”
对于某一个伪随机数发生器,只要该种子(seed)相同,产生的随机数序列就是相同的
结果相同
结果就不同了。
转自:http://www.cnblogs.com/lutingting/p/5185408.html
更多的参考:http://www.cnblogs.com/strongYaYa/p/5864014.html
补充:
1 numpy.random.seed()用于设置随机数种子
seed可以是一个int,满足0<=seed<=2(32−1),这个条件的int都可以做参数。 seed可以是一个array。 seed可以是None。
用一句话总结numpy.random.seed()和numpy.random.RandomState()的关系:
相同处: 他们的参数都是随机数seed 不同处: numpy.random.RandomState()更为复杂,完全可以代替numpy.random.seed()这条语句。 随机数种子seed只有一次有效,在下一次调用产生随机数函数前没有设置seed,则还是产生随机数。
1.如果需要不产生随机数,则需要每次设置numpy.random.seed()。
2.如果需要每次都产生随机数,则可以将随机数seed设置成None,或者不设置。
2 numpy.random.RandomState()设置seed同时产生随机数
nump.random.RandomState(0)为随机数产生器的种子,里面的数字相同,则产生的随机数相同。
rng = numpy.random.RandomState(23355) arrayA = rng.uniform(0,1,(2,3))
该段代码的目的是产生一个2行3列的assarray,其中的每个元素都是[0,1]区间的均匀分布的随机数
这里看以看到,有一个23355这个数字,其实,它是伪随机数产生器的种子,也就是“the starting point for a sequence of pseudorandom number”
对于某一个伪随机数发生器,只要该种子(seed)相同,产生的随机数序列就是相同的
# 仍以上面的seed为例,但执行多次 # 利用循环,执行4次 import numpy for i in [1,2,3,4]: rng = numpy.random.RandomState(23455) arrayA = rng.uniform(0,1,(2,3)) print arrayA
结果相同
import numpy 2 for i in [1,2,3,4]: 3 rng = numpy.random.RandomState(23455+i) 4 arrayA = rng.uniform(0,1,(2,3)) 5 print ('i = %s' % (i)) 6 print (arrayA)
结果就不同了。
转自:http://www.cnblogs.com/lutingting/p/5185408.html
更多的参考:http://www.cnblogs.com/strongYaYa/p/5864014.html
补充:
1 numpy.random.seed()用于设置随机数种子
seed可以是一个int,满足0<=seed<=2(32−1),这个条件的int都可以做参数。 seed可以是一个array。 seed可以是None。
用一句话总结numpy.random.seed()和numpy.random.RandomState()的关系:
相同处: 他们的参数都是随机数seed 不同处: numpy.random.RandomState()更为复杂,完全可以代替numpy.random.seed()这条语句。 随机数种子seed只有一次有效,在下一次调用产生随机数函数前没有设置seed,则还是产生随机数。
1.如果需要不产生随机数,则需要每次设置numpy.random.seed()。
num=0 while(num<5): np.random.seed(1) print(np.random.random()) num+=1 0.417022004702574 0.417022004702574 0.417022004702574 0.417022004702574 0.417022004702574
2.如果需要每次都产生随机数,则可以将随机数seed设置成None,或者不设置。
2 numpy.random.RandomState()设置seed同时产生随机数
>>> import numpy >>>> numpy.random.RandomState(0).rand(4) >array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318]) >>> numpy.random.RandomState(0).rand(4) array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318]) >>> numpy.random.RandomState(0).rand(4) array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318]) >>> numpy.random.RandomState(None).rand(4) array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318]) >>> numpy.random.RandomState(None).rand(4) array([ 0.4236548 , 0.64589411, 0.43758721, 0.891773 ]) >>> numpy.random.RandomState(None).rand(4) array([ 0.96366276, 0.38344152, 0.79172504, 0.52889492])
相关文章推荐
- nump中的为随机数产生器的seed
- nump中的为随机数产生器的seed
- np.random.RandomState、np.random.rand、np.random.random、np.random_sample
- np.random.seed(0)的作用:作用:使得随机数据可预测。
- np.random.seed()
- 关于Random中的随机数种子Seed
- numpy.random.seed()和numpy.random.RandomState用法笔记
- MATLAB中随机数产生中的"state", "seed", "twister"用法
- numpy.random.RandomState()和numpy.random.seed()解读
- numpy 随机数种类np.random.RandomState、np.random.rand、np.random.random、np.random_sample
- 产生随机数rand和randn中的“state”、“seed”和"twister"参数
- np.random.seed(0)的作用:作用:使得随机数据可预测
- Tensorflow中关于随机数生成种子tf.set_random_seed()
- np.random.seed(0)的作用:作用:使得随机数据可预测。
- Tensorflow随机数生成种子tf.set_random_seed()
- np.random.RandomState
- java中Random(long seed)方法与rRandom()方法的使用产生随机数
- 详解mxnet.random.seed。即随机数生成种子。
- Numpy—np.random.seed()函数的应用
- np.random.seed()