c2-​随机产生函数种子seed、numpy.random.seed()、tf.random.set_seed学习​+转载整理

随机产生函数种子seed、numpy.random.seed()、tf.random.set_seed学习

神经网络代码中，随机产生函数几乎都会出现在最开头的位置，足以说明其重要性。

我们得保证，每次代码产生的随机数是相同的，要不然每次运行出的数据都是不同的，不利于我们的研究分析

1.种子是什么

了解种子是什么，首先得了解随机数产生机制。

在numpy中，seed函数的作用为 Seed the random number generator（为随机生成函数生成种子），而seed函数中的参数seed可以理解成为了获取每次产生随机数时的 “开始位置”的数值。

我们可以把seed看作一个映射函数的输入，输入不同的值，都会有唯一对应的数值（ “开始位置”）。

至于随机数，是一些顺序已经固定的序列。

通过seed得到的 “开始位置”，就能在固定随机序列中找到位置，进行输出。

至于tensorflow中的seed和numpy相似，可以进行类比。

2.numpy.random.seed() 函数

random_sample() 和 random() 其实是同一个函数，都是随机生成[0,1)之间的均匀分布浮点数

seed() 函数上面提到，是对随机生成函数指定随机 “开始位置”

接下来，我们进行具体实验，来看看numpy.random.seed()的具体效果

import numpy as np

#numpy seed只限制一层

for k in range(3):

    np.random.seed(123)

    for i in range(5):

        print( np.random.random() )

    print('\n')

for k in range(3):

    for i in range(5):

        np.random.seed(123)

        print( np.random.random() )

    print('\n')

np.random.seed(123)

for k in range(3):

    for i in range(5):

        print( np.random.random() )

    print('\n')

第一个循环结果：

三次相同的五个不同随机数 

第二个循环结果：

三次输出完全相同五个随机数

第三个循环结果：

三次完全不同的五个随机数int

 

 

总结输出结果，numpy.random.seed()只是针对某一层进行约束，不是全局约束

原文链接：https://blog.csdn.net/qq_38024084/article/details/103465294

3.tf.random.set_seed:设置全局随机种子

依赖随机种子的操作实上是从两个种子派生的：全局种子和操作级别种子。这个设置了全局种子。

#tensorflow2.0

tf.random.set_seed(

    seed

)

#tensorflow1.0

tf.set_random_seed(

    seed

它与操作级种子的交互如下：

如果既未设置全局种子也未设置操作种子：此操作使用随机选择的种子。

如果设置了图级别的种子（graph-level seed），但未设置操作种子（operation seed）：系统确定性地选择一个操作种子和图级别的种子，以便获得唯一的随机序列。在tensorflow和用户代码的相同版本中，此序列是确定性的。但是，在不同版本中，此序列可能会更改。如果代码依赖特定的种子来工作，则明确指定图级别和操作级别种子。

如果设置了操作种子，但未设置全局种子：使用默认的全局种子和指定的操作种子来确定随机序列。

如果同时设置了全局种子和操作种子：将两个种子一起使用以确定随机序列。

如果设置了全局种子，但未设置操作种子，则每次对随机操作的调用都会得到不同的结果，但是对于程序的每次重新运行，其结果都是相同的

如果既未设置全局种子也未设置操作种子，则每次调用随机操作和每次重新运行程序都会得到不同的结果

如果设置了操作种子，则每次对随机操作的调用都会得到不同的结果，但是对于程序的每次重新运行却得到相同的序列：

原文链接：https://blog.csdn.net/qq_36201400/article/details/108512368