numpy.random.seed()是否每次都会给出相同的随机数？

Question

我知道 numpy.random.seed(seed) 会输出相同的数字，如果我使用相同的种子。我的问题是，这是否会随着时间的推移而改变？如果我明天再调用它，它还会输出和昨天一样的随机数吗？

Answer 1

该 np.random 文档中描述了所使用的PRNGs。显然，有部分从 MT19937 到 PCG64 在最近的过去。如果你想保持一致性，你就需要。

1. 固定使用的PRNG，以及
2. 确保你使用的是一个本地句柄（例如 RandomState, Generator)的任何变化，以便对 其他 外部库不会因为调用了 np.random globals本身。

在这个例子中，我们使用了较新的 BitGenerator API，它提供了各种PRNGs的选择。

from numpy.random import Generator, PCG64

rg = Generator(PCG64(1234))

其中可以使用如下。

>>> rg.uniform(0, 10, 10)
array([9.767, 3.802, 9.232, 2.617, 3.191, 1.181, 2.418, 3.185, 9.641,
       2.636])

如果我们重新运行任何次数(甚至在同一个REPL内!), 我们将始终得到相同的随机数发生器. PCG64和MT19937一样，提供了以下保证。

兼容性保证

PCG64做了一个保证，一个固定的种子和将始终产生相同的随机整数流。

虽然，正如 @user2357112 支持莫妮卡所指出的那样，对随机 API 函数的改变，即 使用 的随机整数序列（如 np.random.Generator.uniform)在技术上仍然是可能的，尽管可能性不大。

为了生成多个发生器，可以利用 SeedSequence.spawn(k) 以产生 k 不同 SeedSequences. 这对一致的并发计算很有用。

from numpy.random import Generator, PCG64, SeedSequence

sg = SeedSequence(1234)
rgs = [Generator(PCG64(s)) for s in sg.spawn(10)]

Answer 2

遗留的 RandomState API和模块级随机生成函数（实际上是一个隐藏的RandomState的方法）有一个 向后兼容性保证:

兼容性保证

一个使用固定种子的固定位发生器和一系列使用相同参数的'RandomState'方法的固定调用将始终产生相同的结果，直到roundoff错误，除非数值不正确。RandomState实际上是被冻结的，只有在Numpy内部发生变化时才会收到更新。更多实质性的变化，包括算法上的改进，都保留给 Generator。

来自相同种子的相同调用序列将产生相同到四舍五入的错误结果，除非旧的结果有问题（比如发现一个方法没有产生它应该产生的分布）。

这是以被锁定在错误的设计选择为代价的。比如说 numpy.random.choice 与 replace=False 是非常慢的，因为它的实现不好，如果不破坏向后的兼容性，就无法修复。numpy.random.Generator.choice 但它没有这个问题，因为它不受同样的兼容性保证的约束。