Python随机数种子(random seed)的使用

凌晨两点半

发布时间：2026-10-14| 5人浏览过

原创

本文深入解析Python中random seed的作用机制，通过标准库random与numpy模块的实例，展示如何固定随机数生成顺序以实现结果复现。文章探讨了不同分布、形状及干扰函数对种子状态的影响，揭示跨平台代码复现的关键细节。

在科学研究、技术算法及机器学习任务中，随机数生成是常见需求。为了从看似无序的随机过程中获得确定性和可复现性，我们引入随机数种子（random seed）。通过设定种子，可以使包含随机操作的程序在多次运行中产生一致且可预测的结果。

许多技术文章仅简单提及利用随机数种子可生成相同的随机数，但往往未深入解释“相同”的具体含义及种子的实际作用机制，导致读者在使用时产生疑惑。真正掌握随机数种子，需要理解其背后的生成逻辑与状态管理机制。

1. 随机数种子

下面通过具体实例来解析随机数种子的工作原理：


import random

# print(help(random))

def test_random_seed_in_std_lib(seed=0, cnt=3):
    random.seed(seed)
    print("test seed: ", seed)
    for _ in range(cnt):
        print(random.random())
        print(random.randint(0,100))
        print(random.uniform(1, 10))
        print('\n')
test_random_seed_in_std_lib()
test seed:  0
0.8444218515250481
97
9.01219528753418

0.04048437818077755
65
5.373349269065314

0.9182343317851318
38
9.710199954281542
test_random_seed_in_std_lib()
test seed:  0
0.8444218515250481
97
9.01219528753418

0.04048437818077755
65
5.373349269065314

0.9182343317851318
38
9.710199954281542
test_random_seed_in_std_lib(99)
test seed:  99
0.40397807494366633
25
6.39495190686897

0.23026272839629136
17
7.8388969285727015

0.2511510083752201
49
5.777313434770537

通过两次运行上述程序，我们观察到输出结果完全一致。这一现象揭示了以下关键特性：

在固定随机数种子后，无论调用何种分布或类型的随机函数，在多次重复调用（如for循环）中，生成的随机数序列是确定且唯一的，不会因环境不同而改变。
当再次声明相同的随机数种子（例如第二次调用test_random_seed_in_std_lib函数，执行random.seed(seed)）时，随机数生成器会重置状态，从“头”开始按相同的顺序生成随机数。这里的“头”指的是random.seed(seed)声明后的首次随机数调用点。
若指定不同的随机数种子（如seed=99），无论使用何种随机函数，生成的随机数序列将与之前（随机数种子为0）的运行结果完全不同。
上述特性解释了“每次生成相同随机数”的具体含义。这种“相同”还隐含了环境独立性和跨平台复现性。即在任意电脑或主机上运行相同代码，只要种子设定一致，即可复现完全一致的结果。

以上几点涵盖了随机数种子的基本特性。接下来，我们将进一步研究numpy库中随机数种子的相关行为。

2. numpy中的随机数种子


import numpy as np
def test_numpy_random_seed(seed=0, cnt=3):
    np.random.seed(seed)
    print("test numpy seed: ", seed)
    for _ in range(cnt):
        print(np.random.random())
        print(np.random.randn(1, 5))
        print(np.random.uniform(1, 10, 5))
        print('\n')

多次运行test_numpy_random_seed函数，可以观察到与使用标准random模块时相似的行为，这进一步验证了关于随机数种子特性的总结。

此外，我们可以对多维随机数组的生成行为进行探索：


def test_mult_shape(seed=0):
    np.random.seed(seed)
    print(np.random.randn(1, 3))
    print(np.random.randn(1, 2))

    np.random.seed(seed)
    print(np.random.randn(2, 5))
test_mult_shape()
[[1.76405235 0.40015721 0.97873798]]
[[2.2408932  1.86755799]]
[[ 1.76405235  0.40015721  0.97873798  2.2408932   1.86755799]
 [-0.97727788  0.95008842 -0.15135721 -0.10321885  0.4105985 ]]

运行test_mult_shape函数后发现，设定相同的随机数种子，两次运行两个一行的多维正态分布的结果，与一次运行两行的多维正态分布结果的第一行完全相同。

这一结果表明，对于相同类型的随机数分布，数组的形状特征不会影响生成秩序。在程序中，np.random.randn(1, 2)这一行的生成结果，实际上是前一行np.random.randn(1, 3)生成序列的后续部分，即它们“几乎”是作为前一行生成的后缀一次性产生的。

3. 随机数“顺序”的奥秘

至此，我们对随机数生成顺序有了初步印象。然而，这里的顺序比表面观察更为复杂，我们需要进一步考察其内部机制。


def test_numpy_random_seed_order(seed=0):
    np.random.seed(seed)
    print(np.random.random())
    # print(np.random.randint(1, 10))
    print(np.random.randn(1, 5))


    np.random.seed(seed)
    print(np.random.randn(2, 5))
test_numpy_random_seed_order()
0.5488135039273248
[[ 0.74159174  1.55291372 -2.2683282   1.33354538 -0.84272405]]
[[ 1.76405235  0.40015721  0.97873798  2.2408932   1.86755799]
 [-0.97727788  0.95008842 -0.15135721 -0.10321885  0.4105985 ]]

运行上述程序可见，虽然设定了相同的随机数种子，np.random.randn(1, 5)看似是第一次运行多维正态分布数组，但实际上，np.random.randn(2, 5)才是真正的第一次运行多维正态分布随机数组。

这说明，前面的np.random.random()调用对后续np.random.randn产生了干扰，导致这次正态分布随机数组中的数值与np.random.randn(2, 5)中的数值完全不同，从而表现出一种看似不可控的随机性。

我们可以将这一考察深入一点：


def test_numpy_random_seed_order_further(seed=0, randint_high=10):
    np.random.seed(seed)
    print(np.random.randint(1, randint_high))
    print(np.random.randn(1, 5))


    np.random.seed(seed)
    print(np.random.randn(2, 5))
test_numpy_random_seed_order_further()
6
[[ 0.11849646  0.11396779  0.37025538  1.04053075 -1.51698273]]
[[ 1.76405235  0.40015721  0.97873798  2.2408932   1.86755799]
 [-0.97727788  0.95008842 -0.15135721 -0.10321885  0.4105985 ]]
test_numpy_random_seed_order_further(randint_high=5)
1
[[ 1.12279492  0.30280522  0.07085926  0.07304142 -1.42232584]]
[[ 1.76405235  0.40015721  0.97873798  2.2408932   1.86755799]
 [-0.97727788  0.95008842 -0.15135721 -0.10321885  0.4105985 ]]

紧接上面对随机数干扰项的考察，我们发现，当改变干扰项随机数生成器时，np.random.randn(1, 5)的生成结果不同于test_numpy_random_seed_order中同一行的运行结果。

另外，两次设置不同的randint右边界（如randint_high不同），np.random.randn(1, 5)生成的结果也截然不同。这说明np.random.randint设置不同的参数，即构成了完全不同的随机数发生器状态。这一结论不难在其他类型的随机数分布中得到验证。

到此，关于Python随机数种子（random seed）的使用介绍完毕。更多相关Python随机数种子内容请搜索本站以前的文章或继续浏览下面的相关文章，希望大家以后多多支持本站！