Random 理解PyTorch中的ByteTensor种子

我知道种子是用来初始化伪随机数生成器的数字。在pytorch中，

torch.get_rng_state

文档状态如下“将随机数生成器状态作为torch.ByteTensor返回”。当我打印它时，我得到一个大小为5048的一维张量，其值如下所示

张量（[80,78,248，…，0,0,0]，dtype=torch.uint8）

---

为什么种子有5048个值，这与我们可以使用火炬获得的普通种子有何不同。初始种子听起来好像你认为种子和状态是等价的。对于较旧的伪随机数生成器（PRNG），这是正确的，但对于更现代的PRNG，其工作方式与所描述的一样。（链接中的答案是针对Mersenne Twister编写的，但这些概念同样适用于其他生成器。）

为什么不使用32位或64位状态空间并将状态报告为生成器的输出是个好主意？因为如果你这样做，一旦你看到任何值重复，整个序列就会重复。PRNG被设计为“全周期”，即在重复之前迭代最大数量的值。表明该方法能快速（O（sqrt（周期长度））将此类PRNG识别为非随机。这意味着，例如，对于32位整数，在统计学家能够以高于99%的置信度调用您之前，您不应该使用超过50000个值。许多现代PRNG使用的解决方案是拥有更大的状态空间并将其折叠以输出32位或64位结果。Since多个状态可以产生相同的输出，在不复制整个流的情况下，输出流中会发生重复。看起来PyTorch就是这么做的

考虑到更大的状态空间，为什么允许使用单个整数进行种子设定？方便。例如，Mersenne Twister有一个19937位的状态空间，但大多数人不想输入那么多信息来启动它。如果愿意，可以输入，但大多数人使用前端，它从单个整数输入填充整个状态空间