Numpy随机种子的选取和保存

在机器学习等领域中，随机数生成常常是我们需要的基本操作。然而，使用随机数需要考虑到随机性和可重复性两个因素。即：生成的随机数需要是随机的，同时相同的随机种子可以生成相同的随机数。因此，在使用Numpy生成随机数时，需要考虑如何选取和保存随机种子。

阅读更多：Numpy 教程

随机种子的选取

在Numpy中，我们可以使用numpy.random.seed()函数来设定随机种子。这个函数的输入可以是任意整数，一般情况下我们选用当前时间作为随机种子。

import numpy as np
np.random.seed(int(time.time()))

当然，也可以手动输入一个整数作为随机种子。

import numpy as np
np.random.seed(42)

随机种子的保存

使用随机种子生成随机数后，我们需要将随机种子保存下来，以便之后可以复现同样的随机序列。Numpy中可以使用numpy.random.get_state()函数获取随机状态，并将其保存到文件中。

import numpy as np
state = np.random.get_state()
with open('rand_state.npy', 'wb') as f:
    np.save(f, state)

此时会在当前目录下生成一个名为rand_state.npy的文件，其中包含了随机种子等信息。我们可以使用numpy.random.set_state()函数将这些信息恢复到Numpy中。

import numpy as np
with open('rand_state.npy', 'rb') as f:
    state = np.load(f, allow_pickle=True)
np.random.set_state(state)

恢复了状态之后，我们可以生成完全相同的随机序列。

示例应用

下面我们通过一个具体的例子来演示如何使用Numpy选取和保存随机种子。

首先，我们生成一组随机数，作为我们的数据集X。

import numpy as np
# 生成1000个点，每个点有10个特征
X = np.random.rand(1000, 10)

接着，我们设定一个随机种子，将数据集随机打乱。

import numpy as np
import time
np.random.seed(int(time.time()))

# 将X打乱
np.random.shuffle(X)

为了实现模型的复现，我们需要将随机种子保存下来，以便之后可以使用该随机种子再次打乱数据集。

import numpy as np
state = np.random.get_state()
with open('rand_state.npy', 'wb') as f:
    np.save(f, state)

之后，我们可以在任何时候使用上述随机种子生成与原数据集相同的随机序列。

import numpy as np
with open('rand_state.npy', 'rb') as f:
    state = np.load(f, allow_pickle=True)
np.random.set_state(state)

# 再次将X打乱
np.random.shuffle(X)

总结

本文介绍了如何使用Numpy选取和保存随机种子。对于需要使用随机数的任务和需要检验的模型，选取和保存随机种子是保证可重复性和稳定性的重要一步。我们可以使用Numpy提供的相关函数实现这一步骤，方便地生成相同的随机序列，验证我们的模型和算法。