python3随机种子的使用及理解
1. 什么是随机种子?
随机种子(Random Seed)是计算机专业术语,一种以随机数作为对象的以真随机数(种子)为初始条件的随机数。一般计算机的随机数都是伪随机数,以一个真随机数(种子)作为初始条件,然后用一定的算法不停迭代产生随机数。
2.python3 seed()函数
描述
seed() 方法改变随机数生成器的种子,可以在调用其他随机模块函数之前调用此函数。。
语法
以下是 seed() 方法的语法:
import randomrandom.seed ( [x] )
我们调用 random.random() 生成随机数时,每一次生成的数都是随机的。但是,当我们预先使用 random.seed(x) 设定好种子之后,其中的 x 可以是任意数字,如10,这个时候,先调用它的情况下,使用 random() 生成的随机数将会是同一个。
注意:seed()是不能直接访问的,需要导入 random 模块,然后通过 random 静态对象调用该方法。
参数
- x -- 改变随机数生成器的种子seed。如果你不了解其原理,你不必特别去设定seed,Python会帮你选择seed。
返回值
本函数没有返回值。
实例
以下展示了使用 seed(() 方法的实例:
#!/usr/bin/python3
import randomrandom.seed()
print ("使用默认种子生成随机数:", random.random())
print ("使用默认种子生成随机数:", random.random())random.seed(10)
print ("使用整数 10 种子生成随机数:", random.random())
random.seed(10)
print ("使用整数 10 种子生成随机数:", random.random())random.seed("hello",2)
print ("使用字符串种子生成随机数:", random.random())
以上实例运行后输出结果为:
使用默认种子生成随机数: 0.7908102856355441 使用默认种子生成随机数: 0.81038961519195 使用整数 10 种子生成随机数: 0.5714025946899135 使用整数 10 种子生成随机数: 0.5714025946899135 使用字符串种子生成随机数: 0.3537754404730722
python3随机种子的使用及理解相关推荐
- 关于随机种子seed()的一点理解
先上一段熟悉的代码: import numpy as np num=0 while(num<5):np.random.seed(1)print(np.random.random())num+=1 ...
- 如何理解“伪随机”以及“随机种子”
"真随机"与"伪随机" 真随机:就是我们传统意义上理解的"随机",随机事件如今天是否下雨,抛硬币的正反面,家门口的十字路口今天发生车祸等等. ...
- 以我的世界视角来理解seed的随机种子
以我的世界视角理解seed随机种子 你玩过我的世界吗? 如果你的回答是玩过,那么理解seed随机种子就十分简单了 其实seed随机种子就像我的世界生成世界的种子: randn,rand,uniform ...
- python随机种子怎么用_python设置随机种子实例讲解
python设置随机种子实例讲解 对于原生的random模块 import random random.seed(1) 如果不设置,则python根据系统时间自己定一个. 也可以自己根据时间定一个随机 ...
- python中随机种子_Pytorch随机种子
最近在做比赛的时候,遇到了一个最好结果,但是之后无论怎样都复现不出来最好结果了.猜测是不是跟Pytorch中的随机种子有关. 训练过程 在训练过程中,若相同的数据数据集,相同的训练集.测试集划分方式, ...
- 你真的会用Python随机数种子吗——Python生成随机数随机种子“失效”:Jupyter中不同cell中生成的随机数不一致
在Python中经常会生成很多随机数,例如Python自带的random库.科学计算库NumPy.深度学习框架PyTorch等都可以生成随机数. 同时为了固定生产的随机数.使得随机数生成可复现,很多时 ...
- 深度强化学习系列之(13): 深度强化学习实验中应该使用多少个随机种子?
How Many Random Seeds Should I Use? Statistical Power Analysis in (Deep) Reinforcement Learning Expe ...
- Pytorch固定随机种子复现模型
官网 Reproducibility - PyTorch 1.11.0 documentation 在神经网络中,参数默认是进行随机初始化的.不同的初始化参数往往会导致模型的训练结果会存在一定的差异. ...
- 让炼丹更玄学!苏大博士生用「天干地支」生成随机种子,项目已开源
视学算法报道 编辑:好困 袁榭 [新智元导读]为了顺利炼出模型,搞AI的朋友们真的是什么路子都想过. 机器学习,俗称「炼丹」. 作为AI「黑魔法」的一种,再加点「玄学」又会如何? 最近,有位来 ...
- 20210810 所有图像数据准备一条龙(labelme_json转mask、数据增强Augmentor、随机种子设比例生成train.val、转格式(.jpg转.png)、尺寸、位深度变换
0. 图像批量处理一步到位:转格式(.jpg转.png).尺寸(640*480).位深度(RGB)等 import os import glob import os.path from PIL imp ...
最新文章
- Silverlight 2.0学习笔记——XAML
- Antdv日期选择组件国际化问题
- XMLHTTP.readyState的五种状态
- nginx限制恶意IP处理方法
- 在前端团队的那些日子(初见)
- python软件下载3版本-【python3下载】python3下载安装 中文版-七喜软件园
- 在玩图像分类和图像分割?来挑战基于 TensorFlow 的图像注解生成!
- 路面监控服务器怎么维修,路面监控服务器怎么维修
- 简历优化实战案例01:工作经历篇
- 艾克姆 STC15W4K56S4 IAP15W4K58S4 51开发板 大赛esp8266开发板 STC15W4K56S4
- 比尔·盖茨的另一扇视窗
- 怒江java培训班_Graal VM:微服务时代的Java
- python的pyaudio教程入门_[宜配屋]听图阁
- Class Proxy
- java编程题身高排队_身高排队算法-(较优解):12个高矮不同的人,排成两排,每排必须是从矮到高排列,而且第二排比对应的第一排的人高,问排列方式有多少种?...
- 论文笔记-Towards Scene Understanding-Unsupervised Monocular Depth Estimation
- 通过路由器搭建内网穿透隧道
- 关于有源滤波器和无源滤波器
- 【java】提升开发效率的17个轮子
- 在阿里云服务器上搭建 SVN 服务端