以下导入 NumPy 并设置种子。
import numpy as np
np.random.seed(42)
但是，我对设置种子不感兴趣，而对阅读它更感兴趣。random.get_state()似乎没有种子。该文档没有显示明显的答案。
numpy.random假设我没有手动设置它，我如何检索 使用的当前种子？
我想使用当前的种子来延续流程的下一次迭代。
问问题
39509 次
5 回答
98
简短的回答是你根本不能（至少一般来说不能）。
numpy 使用的Mersenne Twister RNG 有 2 19937 -1 个可能的内部状态，而单个 64 位整数只有 2 64 个可能值。因此，不可能将每个 RNG 状态映射到唯一的整数种子。
您可以np.random.get_state使用和直接获取和设置 RNG 的内部状态np.random.set_state。的输出get_state是一个元组，其第二个元素是一个(624,)32 位整数数组。这个数组有足够多的位来表示 RNG 的每个可能的内部状态 (2 624 * 32 > 2 19937 -1)。
get_state可以像种子一样使用返回的元组，以创建可重现的随机数序列。例如：
import numpy as np
# randomly initialize the RNG from some platform-dependent source of entropy
np.random.seed(None)
# get the initial state of the RNG
st0 = np.random.get_state()
# draw some random numbers
print(np.random.randint(0, 100, 10))
# [ 8 76 76 33 77 26 3 1 68 21]
# set the state back to what it was originally
np.random.set_state(st0)
# draw again
print(np.random.randint(0, 100, 10))
# [ 8 76 76 33 77 26 3 1 68 21]
于 2015-08-24T00:06:06.373 回答
33
此贡献旨在澄清 ali_m 的正确答案，并作为对 Dong Justin 建议的重要更正。
这些是我的发现：
- 使用设置随机种子后，
np.random.seed(X)您可以使用 再次找到它np.random.get_state()[1][0]。 - 但是，它对您几乎没有用处。
以下代码部分的输出将向您展示为什么这两个语句都是正确的。
声明 1 - 您可以使用np.random.get_state()[1][0].
如果使用 设置随机种子np.random.seed(123)，则可以使用 将随机状态作为元组检索state = np.random.get_state()。下面是仔细看看state（我在 Spyder 中使用变量资源管理器）。我正在使用屏幕截图，因为print(state)由于元组的第二个元素中数组的大小，使用会淹没您的控制台。
您可以很容易地看到123数组中的第一个数字包含在第二个元素中。并使用seed = np.random.get_state()[1][0] 会给你123。完美的？不完全是，因为：
声明 2 - 但是，它对您几乎没有用处：
不过一开始可能不是这样，因为您可以使用np.random.seed(123)，用 检索相同的数字，用seed = np.random.get_state()[1][0]重置种子np.random.seed(444)，然后（似乎）123用 将其设置回场景np.random.seed(seed)。但是你之前已经知道你的随机种子是什么，所以你不需要那样做。下一个代码部分还将显示您不能使用任何随机状态的第一个数字np.random.get_state()[1][0]并期望重新创建该确切场景。请注意，您很可能必须完全关闭并重新启动内核（或调用np.random.seed(None)）才能看到这一点。
下面的代码片段用于np.random.randint()生成 5 个介于 -10 和 10 之间的随机整数，以及存储有关进程的一些信息：
片段 1
# 1. Imports
import pandas as pd
import numpy as np
# 2. set random seed
#seedSet = None
seedSet = 123
np.random.seed(seedSet)
# 3. describe random state
state = np.random.get_state()
state5 = np.random.get_state()[1][:5]
seedState = np.random.get_state()[1][0]
# 4. generate random numbers
random = np.random.randint(-10, 10, size = 5)
# 5. organize and present findings
df = pd.DataFrame.from_dict({'seedSet':seedSet, 'seedState':seedState, 'state':state, 'random':random})
print(df)
请注意，名为的列seedState与 下的第一个数字相同state。我本可以将其打印为独立编号，但我想将其全部保存在同一个地方。另请注意，seedSet = 123和np.random.seed(seedSet)到目前为止已被注释掉。而且因为没有设置随机种子，所以你的数字与我的不同。但这不是这里重要的，而是您的结果的内部一致性：
输出 1：
random seedSet seedState state
0 2 None 1558056443 1558056443
1 -1 None 1558056443 1808451632
2 4 None 1558056443 730968006
3 -4 None 1558056443 3568749506
4 -6 None 1558056443 3809593045
在这种特殊情况下seed = np.random.get_state()[1][0]等于1558056443。并按照董贾斯汀回答的逻辑（以及我在此编辑之前的回答），您可以设置随机种子np.random.seed(1558056443)并获得相同的随机状态。下一个片段将显示您不能：
片段 2
# 1. Imports
import pandas as pd
import numpy as np
# 2. set random seed
#seedSet = None
seedSet = 1558056443
np.random.seed(seedSet)
# 3. describe random state
#state = np.random.get_state()
state = np.random.get_state()[1][:5]
seedState = np.random.get_state()[1][0]
# 4. generate random numbers
random = np.random.randint(-10, 10, size = 5)
# 5. organize and present findings
df = pd.DataFrame.from_dict({'seedSet':seedSet, 'seedState':seedState, 'state':state, 'random':random})
print(df)
输出 2：
random seedSet seedState state
0 8 1558056443 1558056443 1558056443
1 3 1558056443 1558056443 1391218083
2 7 1558056443 1558056443 2754892524
3 -8 1558056443 1558056443 1971852777
4 4 1558056443 1558056443 2881604748
看到不同？np.random.get_state()[1][0]输出 1 和输出 2 相同，但输出的其余部分不同（最重要的是随机数不相同）。因此，正如 ali_m 已经明确指出的那样：
因此，不可能将每个 RNG 状态映射到唯一的整数种子。
于 2018-04-10T09:00:40.140 回答
2
这个答案补充了其他人错过的重要细节。首先，重新表述结论：
np.random.seed生成数字后无法检索原始随机种子（通过 设置），但中间体（当前状态）可以。
请参阅@vestland 的回答；然而，它可能会产生误导：生成的数字不同不是因为无法映射状态，而是使用了不完整的编码：get_state()[1]. 完整的表示包括pos = get_state()[2]. 为了显示：
import numpy as np
state0 = np.random.get_state()
rand0 = np.random.randint(0, 10, 1)
state1 = np.random.get_state()
rand1 = np.random.randint(0, 10, 1)
assert all(s0 == s1 for s0, s1 in zip(state0[1], state1[1]))
我们生成了一个数字，但get_state()[1]仍然保持不变。然而：
np.random.set_state(state0)
assert np.random.randint(0, 10, 1) == rand0
同样对于state1& rand1。因此，@vestland 的数字不同，因为在不设置种子时，pos = 623- 而如果我们使用np.random.seed, pos = 624。为什么不方便的差异？没有线索。
总结np.random.seed(s)：
get_state()[1][0]设置后立即：检索s完全重新创建状态的get_state()[1][0]生成数字后：可能会或可能不会检索s，但不会重新创建当前状态（atget_state()）get_state()[1][0]生成许多数字后：不会检索s. 这是因为pos用尽了它的代表性。get_state()在任何时候：将完全重新创建该点。
最后，行为也可能因get_state()[3:]（当然[0]）而有所不同。
于 2020-08-10T13:21:04.620 回答
2
检查由返回的数组的第一个元素，np.random.get_state()对我来说似乎正是随机种子。
于 2018-03-01T15:37:25.757 回答
1
虽然最佳答案所说的通常是正确的，但一般来说这是不可能的，实际上是可能的。我会将您重定向到此人的博客：https ://kamila.akagi.moe/posts/mersenne-twister/
此人开发了一种梅森捻线机破解算法来恢复初始种子，并提供了完整的细节和算法。我不是作者，也不完全理解材料是什么，但是任何有兴趣这样做的人都应该检查一下。
于 2021-09-06T13:42:32.793 回答