我正在使用scikit-learn和numpy，我想设置全局种子，以便我的工作可以重现 .
我应该使用 numpy.random.seed 还是 random.seed ？
numpy.random.seed
random.seed
Edit: 从评论中的链接，我知道它们是不同的，并且numpy版本不是线程安全的 . 我想知道哪一个用于创建IPython笔记本进行数据分析 . scikit-learn中的一些算法涉及生成随机数，我想确保笔记本在每次运行时都显示相同的结果 .
我应该使用np.random.seed还是random.seed？
这取决于你的代码中是否使用numpy的随机数生成器或 random 中的那个 .
random
numpy.random 和 random 中的随机数生成器具有完全独立的内部状态，因此 numpy.random.seed() 不会影响 random.random() 生成的随机序列，同样 random.seed() 也不会影响 numpy.random.randn() 等 . 如果在代码中同时使用 random 和 numpy.random ，那么您将需要分别为两者设定种子 .
numpy.random
numpy.random.seed()
random.random()
random.seed()
numpy.random.randn()
你的问题似乎是关于scikit-learn的随机数生成器 . 据我所知，scikit-learn始终使用 numpy.random ，所以你应该使用 np.random.seed() 而不是 random.seed() .
np.random.seed()
一个重要的警告是 np.random 不是线程安全的 - 如果你设置一个全局种子，然后使用 np.random 启动几个子进程并在其中生成随机数，每个子进程将从其父进程继承RNG状态，这意味着你将获得相同的随机变量每个子流程 . 解决此问题的常用方法是将不同的种子（或 numpy.random.Random 实例）传递给每个子进程，以使每个子进程具有单独的本地RNG状态 .
np.random
numpy.random.Random
由于scikit-learn的某些部分可以使用joblib并行运行，因此您将看到某些类和函数可以选择传递种子或 np.random.RandomState 实例（例如 random_state= 参数到sklearn.decomposition.MiniBatchSparsePCA） . 我倾向于使用单个全局种子作为脚本，然后基于任何并行函数的全局种子生成新的随机种子 .
np.random.RandomState
random_state=
1 回答
这取决于你的代码中是否使用numpy的随机数生成器或
random中的那个 .numpy.random和random中的随机数生成器具有完全独立的内部状态，因此numpy.random.seed()不会影响random.random()生成的随机序列，同样random.seed()也不会影响numpy.random.randn()等 . 如果在代码中同时使用random和numpy.random，那么您将需要分别为两者设定种子 .更新
你的问题似乎是关于scikit-learn的随机数生成器 . 据我所知，scikit-learn始终使用
numpy.random，所以你应该使用np.random.seed()而不是random.seed().一个重要的警告是
np.random不是线程安全的 - 如果你设置一个全局种子，然后使用np.random启动几个子进程并在其中生成随机数，每个子进程将从其父进程继承RNG状态，这意味着你将获得相同的随机变量每个子流程 . 解决此问题的常用方法是将不同的种子（或numpy.random.Random实例）传递给每个子进程，以使每个子进程具有单独的本地RNG状态 .由于scikit-learn的某些部分可以使用joblib并行运行，因此您将看到某些类和函数可以选择传递种子或
np.random.RandomState实例（例如random_state=参数到sklearn.decomposition.MiniBatchSparsePCA） . 我倾向于使用单个全局种子作为脚本，然后基于任何并行函数的全局种子生成新的随机种子 .