Python numpy中np.random.seed()的详细用法实例

方予

发布时间：2026-10-16 | 2人浏览过

原创

本文深入解析Python numpy库中np.random.seed()函数的核心机制与使用场景。通过对比实验，验证随机数种子对后续随机数生成的持续性影响，并探讨不同参数值如何确定随机序列的起始位置。文章指出种子参数仅作用于其定义后的下一次随机数生成，帮助开发者在机器学习和深度学习实验中实现结果的可复现性。

引言

在机器学习与深度学习的开发过程中，np.random.seed()是一个高频使用的工具。它的主要功能是通过设定随机数种子，确保每次运行代码时生成的随机数序列保持一致，从而保证实验的可复现性。

numpy.randn.randn(d0，d1，...，dn)

randn函数依据给定的维度参数，生成大概率落在区间（-2.58至+2.58）内的数据值。
该函数返回一个或多个样本，这些样本遵循标准正态分布规律。
参数dn代表数据矩阵的每一个维度。
函数的返回值是一个具有指定维度的数组（array）。

import numpy as np

a = np.random.randn(2,4)　　#4*2矩阵
print(a)

b = np.random.randn(4,3,2)　　#shape：4*3*2
print(b)

我们将围绕以下两个核心问题展开对np.random.seed()的学习：

1.np.random.seed()的作用是否具有持续性？

2.np.random.seed(Argument)中参数的具体作用是什么？

E.G.实验

# -*- coding: utf-8 -*- 
# @Time : 2019/10/26 20:57 
# @Author : BaoBao
# @Mail : baobaotql@163.com 
# @File : random.seed.py 
# @Software: PyCharm

import numpy as np

if __name__ == '__main__':
    i = 0
    while (i < 6):
        if (i < 3):
            np.random.seed(0)
            print(np.random.randn(1, 5))
        else:
            print(np.random.randn(1, 5))
            pass
        i += 1

    print("-------------------")
    i = 0
    while (i < 2):
        print(np.random.randn(1, 5))
        i += 1
    print(np.random.randn(2, 5))

    print("---------reset----------")
    np.random.seed(0)
    i = 0
    while (i < 8):
        print(np.random.randn(1, 5))
        i += 1

运行截图：

从实验结果可以看出，np.random.seed()对后续生成的随机数具有持续有效的影响。

在两次调用random.seed()后，即使代码跳出当前循环，再次生成随机数的结果依然保持相同。具体而言，第一次跳出while循环后进入第二次while循环，

未添加随机数种子的两个随机数组与添加了种子的结果存在差异。然而，后续加入随机数种子的八次循环中，生成的结果与之前添加种子时的结果完全一致。这说明，

随机数种子对后续的所有生成操作都产生持续影响。同时，一旦加入随机数种子，后续的数组生成便按照特定的固定顺序进行。

E.G.随机数种子参数的作用

# -*- coding: utf-8 -*- 
# @Time : 2019/10/26 20:57 
# @Author : BaoBao
# @Mail : baobaotql@163.com 
# @File : random.seed.py 
# @Software: PyCharm
import numpy as np

if __name__ == '__main__':
    i = 0
    np.random.seed(0)
    while (i < 3):
        print(np.random.randn(1, 5))
        i += 1
    i = 0
    print("---------------------")
    np.random.seed(1)
    i = 0
    while (i < 3):
        print(np.random.randn(1, 5))
        i += 1

运行截图：

当随机数种子参数分别设置为0和1时，生成的随机数结果相同。这表明该参数指定了随机数生成的起始位置，每个不同的参数值对应一个特定的起始位置。

此外，在确定该参数后，其后续随机数的生成顺序也随之固定。因此，关于随机数种子参数的选择问题：该参数仅用于确定随机数的起始位置，具体数值可以随意分配。

补充说明：一个随机种子在代码中仅作用一次，它只对其定义位置之后的下一次随机数生成生效。

import numpy as np
num=0
print(np.random.random())#没有设置随机种子 那么这里是根据系统时间为参数生成的随机数
np.random.seed(5)
while(num<5):
    print(np.random.random())
    num+=1