Python 如何检索NumPy'；的当前种子；s随机数发生器？

以下内容将导入NumPy并设置种子

import numpy as np
np.random.seed(42)

然而，我对播下种子不感兴趣，而更感兴趣的是阅读它

random.get_state（）

似乎不包含种子。答案并不明显

假设我没有手动设置，如何检索

numpy.random

使用的当前种子

---

我想使用当前的种子为流程的下一次迭代进行延续。

简单的回答是，您根本不能（至少一般不能）

numpy使用的RNG有219937-1个可能的内部状态，而单个64位整数只有264个可能的值。因此，不可能将每个RNG状态映射到唯一的整数种子

您可以直接使用和获取并设置RNG的内部状态。

get\u state

的输出是一个元组，其第二个元素是32位整数的

（624，）

数组。该数组有足够多的位来表示RNG的每个可能的内部状态（2624*32>219937-1）

get\u state

返回的元组可以像种子一样使用，以创建可复制的随机数序列。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]

---

检查由

np.random.get_state（）

返回的数组的第一个元素，在我看来它正是随机种子。

这篇文章旨在澄清ali_m的正确答案，并作为对Dong Justin建议的重要更正

---

以下是我的发现：

使用

np.random.seed（X）

设置随机种子后，您可以使用

np.random.get_state（）[1][0]

再次找到它

然而，它对你没有什么用处

以下代码部分的输出将向您展示这两条语句正确的原因

---

语句1-您可以使用

np.random.get_state（）[1][0]

找到随机种子

如果使用

np.random.seed（123）

设置随机种子，则可以使用

state=np.random.get_state（）

将随机状态检索为元组。下面是对

状态

（我在Spyder中使用变量资源管理器）的详细介绍。我使用的是一个屏幕截图，因为使用

print（state）

将淹没您的控制台，因为元组的第二个元素中的数组的大小

您可以很容易地看到

123

是第二个元素中包含的数组中的第一个数字。使用

seed=np.random.get_state（）[1][0]

将为您提供

123

。完美的不完全是，因为：

声明2-但是，它对您没有什么用处：

起初可能不是这样，因为您可以使用

np.random.seed（123）

，使用

seed=np.random.get_state（）[1][0]

检索相同的数字，使用

np.random.seed（444）

重置种子，然后（似乎）使用

np.random.seed（seed）

将其设置回

123

场景。但是你之前已经知道你的随机种子是什么，所以你不需要这样做。下一个代码部分还将显示不能使用

np.random.get_state（）[1][0]

获取任何随机状态的第一个数字，并期望重新创建确切的场景。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

下面的代码段使用

np.random.randint（）

生成5个介于-10和10之间的随机整数，并存储有关进程的一些信息：

片段1

请注意，名为

seedState

的列与

state

下的第一个数字相同。我本来可以把它打印成一个独立的号码，但我想把它放在同一个地方。还要注意，

seedSet=123

和

np.random.seed（seedSet）

到目前为止已经被注释掉了。由于没有设置随机种子，您的数字将与我的不同。但这并不重要，重要的是结果的内在一致性：

产出1：

在这种特殊情况下，

seed=np.random.get_state（）[1][0]

等于

1558056443

。按照Dong Justins答案中的逻辑（以及我在编辑之前的答案），您可以使用

np.random.seed（1558056443）

设置随机种子，并获得相同的随机状态。下一段代码将显示您不能执行以下操作：

片段2

产出2：

看到区别了吗

np.random.get_state（）[1][0]

对于输出1和输出2是相同的，但输出的其余部分则不同（最重要的是，随机数不同）。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

---

这个答案补充了其他人遗漏的重要细节。首先，重新表述结论：

原始随机种子（通过

np.random.seed

设置）在生成数字后无法检索，但中间产物（当前状态）可以

参考@vestland的答案；但是，它可能会误导：生成的数字不同不是因为无法映射状态，而是因为使用了不完整的编码：

get\u state（）[1]

。完整的表示包括

pos=get\u state（）[2]

。举例说明：

将numpy导入为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）
断言全部（s0==s1表示s0，s1在zip中（state0[1]，state1[1]））

我们生成了一个数字，但是

get_state（）[1]

保持不变。然而：

np.random.set\u状态（state0）
断言np.random.randint（0,10,1）=rand0

还有我

# 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)

   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

# 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)

   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