极客笔记Numpy: 关于（numpy）随机种子的探讨
在本文中，我们将介绍Numpy库的随机数生成以及随机种子的重要性。随机数生成在很多应用场景中都是必不可少的，例如：模拟实验、概率推断、以及机器学习等。Numpy是Python中使用最广泛的数学库之一，它提供了一系列的随机数生成函数，例如 numpy.random.rand() 和 numpy.random.randn()。这些函数一般都有一个 seed 参数来指定随机种子。那么，什么是随机种子，它的作用是什么？
阅读更多：Numpy 教程
随机种子是什么？
在计算机中，伪随机数是通过算法生成的，其实是一些随机性很弱的数值序列。生成的随机数也并非真正意义上的随机数，而是伪随机数。随机种子是一个用于初始化随机数生成器的值，也是一个能够使伪随机数表现得更像真随机数的关键值。
随机种子的作用是设置生成伪随机数的起点，从而控制或预测以后生成的随机数。同一颗带有相同的随机种子的棋子，在以后的操作中一定会得到相同的结果。如果不设置随机种子，那么每一次生成的随机数序列都是不一样的，这对于进行实验验证是很困难的。
举个例子，我们生成两个长度为3的随机数序列，其中一个带有随机种子，另一个没有设置随机种子。代码如下：
import numpy as np
# 设置随机种子
np.random.seed(42)
print(np.random.rand(3))
# 未设置随机种子
print(np.random.rand(3))
运行上述代码，输出结果：
[0.37454012 0.95071431 0.73199394]
[0.59865848 0.15601864 0.15599452]
我们可以观察到，两次运行 np.random.rand(3) 得到的结果是不同的。因为第二次 np.random.rand(3) 没有设置随机种子，算法每次都会生成一个不同的伪随机数序列，导致我们无法预测或控制生成的随机数。
随机种子的重要性
在机器学习模型中，采用伪随机数生成器生成随机数是非常频繁的操作。例如，在模型训练中，每一次迭代训练时，需要随机打乱训练数据集，随机初始化模型的参数。此时，如果没有设置随机种子，在模型测试或部署时将无法复现相同的结果，这样就会影响模型的可靠性与稳定性。
另外，采用伪随机数的实验也需要注意随机种子的设置。例如，在比较两个模型（或算法）的性能时，往往需要对实验进行多次运行以便得出更加准确的结论。但是，无论在多次运行实验之前打乱数据、初始化模型参数这些操作中，都应该使用相同的随机种子进行每一次实验。
怎样设置随机种子？
设置随机种子很简单，只需要在使用Numpy库中的随机数生成函数时，将随机种子设置为一个固定值即可。例如：
np.random.seed(42)
或者
np.random.seed(2021)
两种方式都可以设置随机种子，但是需要注意：种子值的选取应该尽量来源于“真随机数”而非“伪随机数”，这样生成的随机数序列才更加接近真实随机数的分布。
怎样确定随机种子的值？
关于如何确定随机种子的值，一种方法是利用时间戳，将当前时间转化为一个整数后作为随机种子的值。另一个方法是直接设置一个常数作为随机种子的值。有人可能会想：直接将随机种子设置为一个大整数，应该就足够好了吧？
然而，这种做法可能反而会对生成的随机数产生负面影响。一些坏的种子值可以导致随机序列变得相当特殊，比如缺乏某些数量或分布的数值，或者出现了一些不遵循统计规律的模式。简单说，这种情况会对最终执行结果的准确性产生不良影响。因此，建议使用比较特殊的值进行设置，例如一些质数等。
怎样使用随机种子？
关于如何使用随机种子，我们需要先明确一个事实：利用随机数生成器生成的“随机数”是伪随机数（由算法生成），因此，如果我们使用相同的随机种子启动生成器，我们可以得到相同的“随机数”。例如：
# 数据
x = np.random.rand(3, 2)
# 设置随机种子
np.random.seed(42)
# 生成3个随机索引（0-2）
ind = np.random.randint(0, 3, 3)
# 使用索引取数
print(x[ind, :])
# 再次进行同样的操作
np.random.seed(42)
ind2 = np.random.randint(0, 3, 3)
print(x[ind2,:])
输出结果：
[[0.37454012 0.95071431]
[0.73199394 0.59865848]
[0.73199394 0.59865848]]
[[0.37454012 0.95071431]
[0.73199394 0.59865848]
[0.73199394 0.59865848]]
可以看到，在第一次和第二次操作中我们使用了相同的随机种子，因此我们得到了相同的索引序列，所选出的数据组也是相同的。
总结
在本文中，我们介绍了Numpy库中随机数生成以及随机种子的概念与重要性，并探讨了如何设置和使用随机种子。使用随机种子可以使得伪随机数更接近于真实的随机数，从而增强了实验的可重复性和可比性。在机器学习等应用场景中，随机种子的设置也非常重要，它可以增强模型的可靠性与稳定性，确保我们可以复现相同的结果。最后，我们建议在选择种子值的时候，要尽可可能地使用比较特殊的值，例如一些质数等。