numpy里面的random.seed()的用法理解总结

本文链接：https://blog.csdn.net/yuejich/article/details/114166000

博客围绕Python中numpy库的random模块展开实验。通过三个实验，探究了seed函数对随机数生成的影响。实验发现，seed函数传入的参数如同“标签”，相同标签产生的随机数相同，未加标签则产生不同随机数，帮助理解随机数生成机制。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

numpy random seed总结笔记

1.实验一
2.实验二
3.实验三

1.实验一

1.1实验一代码

import numpy as np
import random
def seed1():
    '''
    numpy里面的random
    关于np里面random.seed的意思和用法
    :return:
    '''
    for i in range(2):
        np.random.seed(2)
        p0=np.random.randn(3,5)
        print("输出p0：\n", p0)
    np.random.seed(2)
    p1=np.random.randn(3,5)

    print("输出p1：\n",p1)
if __name__=="__main__":
    seed1()
    print("______________")

1.2实验一结果

在这里插入图片描述

1.3个人理解总结

个人理解：从上面可以看出for循环里面，每次输出一个p0，都给p0“打上一个seed（2）的标签”，两个p0产生的随机数都一样，走出for循环，给p1也打上一个seed（2）的标签，p1的随机数也是和p0一样。
所以：可以理解为seed（）函数的传入参数是一个“标签”，比如seed（1），打上seed（1）标签产生的所有的随机数是一样的，打上seed（1）和seed（2）的两个随机数不一样。
下面继续验证：

2.实验二

2.1实验二代码

import numpy as np
import random
def seed1():
    '''
    numpy里面的random
    关于np里面random.seed的意思和用法
    :return:
    '''
    for i in range(2):
        np.random.seed(2)
        p0=np.random.randn(3,5)
        np.random.seed(1)
        p3=np.random.randn(3,5)
        print("输出p0：\n", p0)
        print("输出p3：\n", p3)
    np.random.seed(2)
    p1=np.random.randn(3,5)

    print("输出p1：\n",p1)
if __name__=="__in__":
    seed1()
    print("______________")

2.2实验一结果

在这里插入图片描述

2.3个人理解总结

个人理解：在实验一的基础上加上了一个seed（1）和p3，发现结果是两个p3是相同的，

3.实验三

3.1实验二代码

import numpy as np
import random
def seed1():
    '''
    numpy里面的random
    关于np里面random.seed的意思和用法
    :return:
    '''
    for i in range(2):
        np.random.seed(2)
        p0=np.random.randn(3,5)
        np.random.seed(1)
        p3=np.random.randn(3,5)
        print("输出p0：\n", p0)
        print("输出p3：\n", p3)
    np.random.seed(2)
    p1=np.random.randn(3,5)
    print("输出p1：\n",p1)
    p4=np.random.randn(3,5)
    print("输出p4：\n",p4)
if __name__=="__in__":
    seed1()
    print("______________")