Python numpy.random.seed（）是否每次都给出相同的随机数？

我知道如果我使用相同的种子，

numpy.random.seed（seed）

将输出相同的数字。我的问题是，这会随着时间的推移而改变吗？如果我明天再调用它，它还会输出与昨天相同的一组随机数吗

文档描述了所使用的PRNG。显然，在最近的过去，有一个从到的部分转换。如果您想要一致性，您需要：

修复使用的PRNG，以及

确保您使用的是本地句柄（例如，

RandomState

，

Generator

），这样对其他外部库所做的任何更改都不会因为调用

np.random

全局变量而导致混乱

在本例中，我们使用了更新的API，它提供了各种PRNG的选择

from numpy.random import Generator, PCG64

rg = Generator(PCG64(1234))

可按如下方式使用：

>>> rg.uniform(0, 10, 10)
array([9.767, 3.802, 9.232, 2.617, 3.191, 1.181, 2.418, 3.185, 9.641,
       2.636])

如果我们多次重新运行它（即使在同一个REPL中！），我们将始终获得相同的随机数生成器。PCG64与MT19937一样，提供以下保证：

兼容性保证

PCG64保证固定种子和将始终生成相同的随机整数流

尽管@user2357112支持Monica指出，对使用随机整数序列的随机API函数的更改（例如，

np.random.Generator.uniform

）在技术上仍然是可行的，但可能性不大

为了生成多个生成器，可以使用

SeedSequence.spawn（k）

生成

k

不同的s。这对于一致的并发计算非常有用：

from numpy.random import Generator, PCG64, SeedSequence

sg = SeedSequence(1234)
rgs = [Generator(PCG64(s)) for s in sg.spawn(10)]

---

传统的

RandomState

API和模块级随机生成函数（实际上是隐藏的RandomState方法）具有：

兼容性保证

使用固定种子的固定位生成器和使用相同参数对“RandomState”方法的固定系列调用将始终产生相同的结果，直到舍入错误，除非值不正确。RandomState被有效冻结，只接收Numpy内部更改所需的更新。更实质性的变化，包括算法改进，保留给生成器

来自相同种子的相同调用序列将产生相同的最大舍入错误结果，除非旧结果有问题（例如，如果结果表明某个方法没有产生它应该产生的分布）

---

这是以陷入糟糕的设计选择为代价的。例如，

numpy.random.choice

with

replace=False

由于一个不好的实现而非常慢，如果不破坏向后兼容性，就无法修复该实现

numpy.random.Generator.choice

没有这个问题，因为它不受相同的兼容性保证的约束。

如果升级到较新版本的

numpy

，我怀疑它是否保证生成相同的随机数序列。我很高兴被证明是错的。@markransem我的经验和你说的是一致的。它可以在numpy/python的不同版本中更改。文档描述了所使用的PRNG。显然，有一个从MT19937到PCG64的部分转换。如果您想要一致性，您需要修复正在使用的PRNG，并确保您使用的是本地句柄（例如，

RandomState

，

Generator

），这样对外部库的任何更改都不会因为调用

np.random

全局变量而把事情搞砸。