随机数的生成方式

90 阅读 0 评论 60 点赞

我是靠谱客的博主顺利烤鸡，最近开发中收集的这篇文章主要介绍随机数的生成方式，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

1.random生成伪随机

Python 使用 Mersenne Twister 作为核心生成器。

2.Tensorflow随机数生成——图形级seed和操作级seed.

图像级seed用来同时确定多个操作的随机种子，操作级seed用来确定该操作（函数）生成随机数的种子

如果既没有设置图层级也没有设置操作级别的seed：则使用随机seed进行该作. 每次运行程序会生成不同的随机数
如果设置了图形级seed,但操作seed没有设置：系统确定性地选择与图形级seed结合的操作seed,以便获得唯一的随机序列. 多个会话中的同一个随机变量相等，且每次运行不会变化
如果未设置图形级seed,但设置了操作seed：使用默认的图层seed和指定的操作seed来确定随机序列。 操作（函数）生成的随机数每次运行都一样，但未设定seed的操作每次运行得到的随机数不相等
如果图层级seed和操作seed都被设置：则两个seed将一起用于确定随机序列.

函数示例：

import tensorflow as tf
# 不设置图层级，不设置操作级别的seed，每次运行时变量都不一样
# tf.set_random_seed(1)
a=tf.random.uniform([1])
b = tf.random.normal([1])

with tf.Session() as sess1:
    # 第一次运行 a:[0.46907735],b:[-0.36227685]
    # 第二次运行 a:[0.9778646] ,b:[-0.0636058]
    print(sess1.run(a))
    print(sess1.run(b))

import tensorflow as tf
# 设置图层级，不设置操作级别的seed；不仅多个会话相同随机变量保存不变，且多次运行随机变量值也不会发生变化
tf.set_random_seed(1234) #设置图像级seed
a=tf.random.uniform([1])
b = tf.random.normal([1])

with tf.Session() as sess1:
    # 第一次运行 a:[0.96046877],b:[0.4987599]
    # 第二次运行 a:[0.96046877],b:[0.4987599]
    print(sess1.run(a))
    print(sess1.run(b))

with tf.Session() as sess2:
    # 第一次运行 a:[0.96046877],b:[0.4987599]
    # 第二次运行 a:[0.96046877],b:[0.4987599]
    print(sess2.run(a))
    print(sess2.run(b))

import tensorflow as tf
# 不设置图层级，设置操作级别的seed；多次运行随机变量值不会发生变化
# tf.set_random_seed(1234)
a=tf.random.uniform([1],seed=1)
b = tf.random.normal([1])

with tf.Session() as sess1:
    # 第一次运行 a:[0.2390374],b:[-1.7223204]
    # 第二次运行 a:[0.2390374],b:[1.5145952]
    print(sess1.run(a))
    print(sess1.run(b))

with tf.Session() as sess2:
    # 第一次运行 a:[0.2390374],b:[0.6938132]
    # 第二次运行 a:[0.2390374],b:[1.073686]
    print(sess2.run(a))
    print(sess2.run(b))

import tensorflow as tf
# 设置图层级，操作级别的seed；不仅多个会话相同随机变量保存不变，且多次运行随机变量值也不会发生变化
tf.set_random_seed(1234)
a=tf.random.uniform([1],seed=1)
b = tf.random.normal([1])

with tf.Session() as sess1:
    # 第一次运行 a:[0.1689806],b:[0.4987599]
    # 第二次运行 a:[0.1689806],b:[0.4987599]
    print(sess1.run(a))
    print(sess1.run(b))

with tf.Session() as sess2:
    # 第一次运行 a:[0.1689806],b:[0.4987599]
    # 第二次运行 a:[0.1689806],b:[0.4987599]
    print(sess2.run(a))
    print(sess2.run(b))