np.random.seed() 的使用详解

下面是“np.random.seed() 的使用详解”的完整攻略：

1. 什么是 np.random.seed()？

np.random.seed() 是 NumPy 库中的一个函数，它用来确定随机数生成器的种子，从而控制随机数生成的顺序和输出。通过使用 np.random.seed()，我们可以使得随机操作变得可重复，即对于相同的种子，每次得到的随机数序列都是相同的。这在数据科学中非常有用，可以让我们随机地对数据进行采样、划分等操作，同时还能保证结果的可重复性。

2. np.random.seed() 的用法

np.random.seed() 函数需要传入一个整数参数作为种子，可以选择任何一个整数作为种子，但不同的种子会产生不同的结果，所以为了可重复性，我们通常选择固定一个种子来生成随机数。比如：

import numpy as np

np.random.seed(2021)

上面的代码中，我们选择种子为 2021，这个数任意选择即可。在这之后，我们就可以使用 NumPy 的随机数生成器，如 np.random.rand() 和 np.random.randn()，它们将根据我们提供的种子生成相同的随机序列。

3. 示例说明

下面通过两个示例说明 np.random.seed() 的使用。

示例一：随机采样

我们使用 np.random.seed() 来选择固定一个种子，然后通过 np.random.choice() 随机采样一个列表中的元素。我们重复执行多次，每次得到的随机数序列是相同的。

np.random.seed(2021)

my_list = ['a', 'b', 'c', 'd', 'e']
for i in range(3):
    print(np.random.choice(my_list, size=3))

输出：

['b' 'e' 'a']
['b' 'e' 'c']
['c' 'e' 'b']

示例二：随机初始化权重

在机器学习中，我们经常需要随机初始化神经网络的权重。使用 np.random.seed() 可以生成一组固定的随机数，这样我们每次运行训练时得到的神经网络权重是相同的，方便我们进行模型的调试、优化、比较等。

比如下面的代码中，我们将使用种子为 2021 的随机数来初始化一个输入和输出大小分别为 3 和 2 的权重矩阵：

np.random.seed(2021)

W = np.random.randn(3, 2)
print(W)

输出：

[[-0.75049791  0.67072189]
 [-0.30973198 -0.44299749]
 [-0.0339261   0.85007014]]

我们可以再次运行上面的代码，得到相同的结果。这保证了每次运行时，我们都使用相同的权重进行训练，避免了由于随机数的随机性导致的模型不可重复的情况。