Python Numpy: случайное число в цикле

Question

У меня есть такой код и я использую Jupyter-Notebook

for j in range(timesteps):    
    a_int = np.random.randint(largest_number/2) # int version

, и я получаю случайные числа, но когда я пытаюсь переместить часть кода в функции, я начинаю получать одно и то же число в каждой итерации

def create_train_data():        
    np.random.seed(seed=int(time.time()))     
    a_int = np.random.randint(largest_number/2) # int version
    return a

for j in range(timesteps):    
    c = create_train_data()  

Почему это произошло и как это исправить?я думаю, может быть, это из-за процессов в Jupyter-Notebook

Answer 1

Другие ответы верны, когда говорят, что это из-за семени.Если вы посмотрите документацию от SciPy , вы увидите, что семена используются для создания предсказуемой случайной последовательности.Тем не менее, я думаю, что следующий ответ на другой вопрос о семенах дает лучший обзор того, что он делает и почему / где его использовать. Что делает numpy.random.seed (0)?

Answer 2

Ганс Масгрейв ответит отлично, если вы довольны псевдослучайными числами.Псевдослучайные числа хороши для большинства приложений, но они проблематичны, если используются для криптографии.

Стандартный подход для получения одного действительно случайного числа - это заполнение генератора случайных чисел системным временем перед тем, как вывести число, как вы.пытался.Однако, как указал Ханс Масгрейв, если вы приведете время к int, вы получите время в секундах, которое, скорее всего, будет одинаковым на протяжении всего цикла.Правильное решение для заполнения RNG временем:

def create_train_data():        
    np.random.seed()     
    a_int = np.random.randint(largest_number/2) # int version
    return a

Это работает, потому что Numpy уже использует часы компьютера или другой источник случайности для начального числа, если вы не передаете аргументы (или None) дляnp.random.seed:

Параметры: seed: {None, int, array_like}, необязательное начальное число, используемое для инициализации генератора псевдослучайных чисел.Может быть любым целым числом от 0 до 2**32 - 1 включительно, массивом (или другой последовательностью) таких целых чисел или None (по умолчанию).Если seed равно None, то RandomState попытается прочитать данные из /dev/urandom (или аналога Windows), если они доступны, или начать с часов в противном случае.

Все зависит от вашего приложенияхоть.Обратите внимание на предупреждение в документах:

Предупреждение Псевдослучайные генераторы этого модуля не должны использоваться в целях безопасности.В целях безопасности или криптографического использования см. Модуль секретов.

Answer 3

Неправильная строка кода:

np.random.seed(seed=int(time.time()))

Поскольку вы выполняете цикл, который завершается довольно быстро, вызов int() в это время уменьшает случайное начальное число до того же числа для всего цикла,Если вы действительно хотите вручную установить начальное число, следующий подход является более надежным.

def create_train_data():   
    a_int = np.random.randint(largest_number/2) # int version
    return a

np.random.seed(seed=int(time.time()))
for j in range(timesteps):
    c = create_train_data()

Обратите внимание, как начальное число создается один раз, а затем используется для всего цикла, так что каждый раз случайное целое числоназывается начальным изменением без сброса.

Обратите внимание, что numpy уже заботится о псевдослучайном начальном числе.Вы не получите больше случайных результатов, используя его.Распространенной причиной для ручной настройки семян является обеспечение воспроизводимости.Вы устанавливаете начальное число в начале вашей программы (верхняя часть вашей записной книжки) на некоторое фиксированное целое число (я вижу 42 во многих руководствах), и затем все вычисления следуют из этого начального числа.Если кто-то хочет проверить ваши результаты, стохастичность алгоритмов не может быть мешающим фактором.