关于np.random.seed(argument)函数

最新推荐文章于 2025-06-04 22:12:12 发布
原创 最新推荐文章于 2025-06-04 22:12:12 发布 · 961 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文解释了在神经网络中使用np.random.seed()进行随机数生成的原理，阐述了seed参数如何确保不同环境下生成相同的随机数序列，以及该函数对后续随机数生成的影响。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在学习神经网络时经常要对参数随机初始化，要用到np.random.seed()，括号里的数字有时是0，1还有其他数字，不太理解括号里的数字是什么意思，以及这个函数的用法，后来看了一些博客，以及这个博客写的https://www.cnblogs.com/subic/p/8454025.html

明白了一些。

np.random.seed(argument)里的argument的作用是给出产生随机数的起始的位置，所以，就算在不同的电脑上，同样的参数意味着生成的随机数也是一样的。

再者，这个函数的作用范围总结一下就是只要没有重新调用这个函数，这个种子就影响着之后的每一次随机数生成，即函数np.random.randn()或其他生成随机数函数。而当重新调用了这个函数np.random.seed(argument)，就会重新从由argument指出的起始位置开始生成随机数。

GISer_gj
关注
以np.concatenate为主题，谈谈numpy数组按维度合并的问题
weixin_44626952的博客
10-29 3445
1.引言 最近在做多模态融合的图像问题，其中最需要解决的就是不同模态的图像用什么方法进行融合，最简单也最直观的方法就是采用合并数组的方法，将不同模态的图像合并为多通道进行处理。在一些论文中，比如《Deep Learning-Based Image Segmentation on Multimodal Medical Imaging》中，如图1.1所示，论文中发现简单的concat 成多通道进行处...
跟着论文代码学习编码第一天：main.py
weixin_50661965的博客
09-26 961
跟着论文编码开始学习pytorch编码的第一天。
np.random.seed() 的使用详解
09-18
主要介绍了np.random.seed() 的使用详解，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
np.random.seed()随机数种子
weixin_46197934的博客
04-21 1万+
np.random.seed()随机数种子 随机数种子！以下均为个人理解，有误及时修改 在生成随机数时，我们可以利用随机数种子，控制生成的随机数。什么意思，就是说我可以利用随机数种子，得到相同的或部分形同的随机数。 1.随机数种子的理解 随机数种子，相当于我给接下来需要生成的随机数一个初值，按照我给的这个初值，按固定顺序生成随机数。 个人觉得通俗理解： 随机数种子是给了一批数（随机数种子应该是按一定顺序生成随机数的，并不是一次给了一批数，但如果这些数有固定顺序，我们是不是可以简单认为随机种子给了我们很多数据
关于random.seed()和np.random.seed()设置失败的解决
最新发布
胶带码农的博客
06-04 510
哈希的无序性对数据实验复现的影响
np.random.seed()
u014299761的博客
11-13 2420
seed()可以固定随机数，如果seed参数每次都一样，那么离它最近的random 函数（也就是接下来将）产生的随机数将是固定的
np.random.seed()函数
热门推荐
Norstc的博客
04-28 1万+
一、功能 np.random.seed(n)函数用于生成指定随机数。 二、参数 把seed()中的参数比喻成“堆”；eg. seed(5)：表示第5堆种子。 三、代码实例 seed()中的参数被设置了之后，np.random.seed()可以按顺序产生一组固定的数组，如果使用相同的seed()值，则每次生成的随机数都相同。如果不设置这个值，那么每次生成的随机数不同。但是，只在调用的时候seed()一下并不能使生成的随机数相同，需要每次调用都seed()一下，表示种子相同，从而生成的随机数相同。
np.random seed(100) x = np.arange(1,6) y1 = np.random.randint(1,20,5) plt.title("柱状图") plt.bar(x,y1,width=0.35,color='s' ,edgecolor ='g',label='商家A') plt.bar(x,y1,width=0.35,color='p' ,edgecolor ='g',label='商家B') plt.legend() plt.show()代码纠错
03-21
np.random.seed() # Missing required positional argument # 修复后 np.random.seed(0) # 任意整数作为种子值 ``` **错误2：`plt.bar`参数顺序错误** ```python # 错误代码（height参数位置错误） plt.bar(height...
import os # os.environ["CUDA_VISIBLE_DEVICES"] = "0" import argparse import time import cv2 import json import numpy as np from tqdm import tqdm from model import build_model from dataset import build_dataset from utils.func import split_list, get_chunk from utils.prompt import Prompter import random, pickle, torch import torch.backends.cudnn as cudnn def get_model_activtion(args, data, model, answer_file): all_results = [] for ins in tqdm(data): img_path = ins['img_path'] img_id = img_path.split("/")[-1] prompt = ins['question'] answer = ins['answer'] label = ins["label"] hidden_states, mlp_residual, attn_residual, attn_heads, vit_attn_heads = model.get_activations(img_path, prompt, answer) # outputs = model._basic_forward(img_path, prompt, answer, return_dict=True) out = { "image": img_id, "img_path": img_path, "model_name": args.model_name, "question": prompt, "answer": answer, "label": label, "attn_residual": attn_residual[:, -1].cpu(), "hidden_states": hidden_states[:, -1].cpu(), "mlp_residual": mlp_residual[:, -1].cpu(), "attn_heads": attn_heads[:, -1].cpu(), "vit_attn_heads": vit_attn_heads.mean(1).cpu(), "hidden_states_mean": hidden_states.mean(1).cpu(), # "scenario": ins['scenario'] } all_results.append(out) with open(answer_file, 'wb') as file: pickle.dump(all_results, file) def setup_seeds(seed=42): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) cudnn.benchmark = False cudnn.deterministic = True def main(args): setup_seeds() model = build_model(args) prompter = Prompter(args.prompt, args.theme) pos_data, neg_data = build_dataset(args.dataset, args.split, prompter) data = pos_data + neg_data if not os.path.exists(f"./output/{args.model_name}/"): os.makedirs(f"./output/{args.model_name}/") saved_file = f"./output/{args.model_name}/{args.model_status}_{args.dataset}_{args.split}_{args.answer_split}_{args.prompt}_activations.pkl" results = get_model_activtion(args, data, model, saved_file) print(f'Saved activations to {saved_file}.') if __name__ == "__main__": parser = argparse.ArgumentParser(prog='Run a model') parser.add_argument("--model_name", default="LLaVA-7B") parser.add_argument("--model_path", default="./llava-v1.5-7b") parser.add_argument("--num_samples", type=int, default=None) parser.add_argument("--sampling", choices=['first', 'random', 'class'], default='first') parser.add_argument("--split", default="test") # SD_TYPO parser.add_argument("--dataset", default="mmsafety") parser.add_argument("--prompt", default='oe') parser.add_argument("--theme", default='mad') parser.add_argument("--activation_file", type=str, default="./output/test.pkl") parser.add_argument("--answer_file", type=str, default="./output/test.jsonl") parser.add_argument("--answer_split", default="all") parser.add_argument("--model_status", default="raw") parser.add_argument("--num_chunks", type=int, default=1) parser.add_argument("--chunk_idx", type=int, default=0) parser.add_argument("--temperature", type=float, default=0.0) parser.add_argument("--top_p", type=float, default=None) parser.add_argument("--num_beams", type=int, default=1) parser.add_argument("--token_id", type=int, default=0) parser.add_argument("--load-8bit", action="store_true") parser.add_argument("--load-4bit", action="store_true") # parser.add_argument("--max-length", type=int, default=64) main(parser.parse_args()) 这是run_model.py文件，请逐行解释
03-25
np.random.seed(seed) torch.manual_seed(seed) cudnn.benchmark = False # 关闭cuDNN的自动优化 cudnn.deterministic = True # 确保确定性计算 ``` $\textcolor{green}{[主流程]}$ ```python def main(args): ...
``` import argparse import collections import numpy as np import torch import torch.nn as nn from parse_config import ConfigParser from trainer import Trainer from utils.util import * from data_loader.data_loaders import * import model.loss as module_loss import model.metric as module_metric import model.model as module_arch # 固定随机种子以提高可重复性 SEED = 123 torch.manual_seed(SEED) torch.backends.cudnn.deterministic = False torch.backends.cudnn.benchmark = False np.random.seed(SEED) def weights_init_normal(m): if isinstance(m, (nn.Conv1d, nn.Conv2d)): nn.init.normal_(m.weight.data, 0.0, 0.02) elif isinstance(m, nn.BatchNorm1d): nn.init.normal_(m.weight.data, 1.0, 0.02) nn.init.constant_(m.bias.data, 0.0) def main(config, fold_id): batch_size = config["data_loader"]["args"]["batch_size"] logger = config.get_logger('train') # 构建模型并初始化权重 model = config.init_obj('arch', module_arch) model.apply(weights_init_normal) logger.info(model) # 获取损失函数和评估指标 criterion = getattr(module_loss, config['loss']) metrics = [getattr(module_metric, met) for met in config['metrics']] # 构建优化器 trainable_params = filter(lambda p: p.requires_grad, model.parameters()) optimizer = config.init_obj('optimizer', torch.optim, trainable_params) # 加载数据 data_loader, valid_data_loader, data_count = data_generator_np( folds_data[fold_id][0], folds_data[fold_id][1], batch_size ) weights_for_each_class = calc_class_weight(data_count) # 初始化训练器并开始训练 trainer = Trainer( model=model, criterion=criterion, metrics=metrics, optimizer=optimizer, config=config, data_loader=data_loader, fold_id=fold_id, valid_data_loader=valid_data_loader, class_weights=weights_for_each_class ) trainer.train() if __name__ == '__main__': args = argparse.ArgumentParser(description='PyTorch Template') args.add_argument('-c', '--config', default="config.json", type=str, help='config file path (default: None)') args.add_argument('-r', '--resume', default=None, type=str, help='path to latest checkpoint (default: None)') args.add_argument('-d', '--device', default="0", type=str, help='indices of GPUs to enable (default: all)') args.add_argument('-f', '--fold_id', type=str, help='fold_id') args.add_argument('-da', '--np_data_dir', type=str, help='Directory containing numpy files') CustomArgs = collections.namedtuple('CustomArgs', 'flags type target') options = [] args2 = args.parse_args() fold_id = int(args2.fold_id) config = ConfigParser.from_args(args, fold_id, options) if "shhs" in args2.np_data_dir: folds_data = load_folds_data_shhs(args2.np_data_dir, config["data_loader"]["args"]["num_folds"]) else: folds_data = load_folds_data(args2.np_data_dir, config["data_loader"]["args"]["num_folds"]) main(config, fold_id)```怎样检查生成的这段代码与原来的代码所有的功能作用都相同？
03-09
$$np.random.seed(SEED)$$ - 检查CUDA后端设置： ```python torch.backends.cudnn.deterministic = False # 需确认原始代码是否要求完全确定性 torch.backends.cudnn.benchmark = False ``` $\boxed{\text{...
随机数种子np.random.seed()
qq_53312564的博客
08-14 1806
例如：np.random.seed(10)，就表示使用的是第十号种组，也可以使用不同的标号，这个参数相当于给你的随机数数组起了个名字，当你想要使用某一组时，输入其标号即可。我在不同的程序文件下使用同一序号的种子，发现生成的结果相同，将程序关闭重启还是一样，所以我觉得，种子序号的结果是固定的？可以观察到这里第一次生成的随机数组与上面的还是一致的，说明这个种子数组是固定的，即seed(1)就是固定的，同理其他标号的随机数种子数组也是固定的。可以看到，两次生成的随机数组是一样的，应为使用的是同一组随机数。...
Python随机种子函数np.random.seed()学习笔记
qq_44704784的博客
04-05 3476
Python随机种子函数np.random.seed()学习笔记 最近在看一些机器学习与深度学习的视频，遇到了程序中有np.random.seed() 数，翻来覆去看了几篇文章一直都没有很好的理解其内涵是什么。自己就根据最近所学内容做一个学习笔记 菜鸟新手 大佬请指点 np.random.seed(0)函数表示的是给定一个随机数种子，保证其后面生辰过的随机数都是固定的。任何一个计算机当中的随机数都是通过线性同余随机数发生器生成，任意给定随机一个种子值s 可进行以下迭代生成新的随机数：（A,B为固定值） r0
函数整理—np.random.seed()
wangzhihao_2015的博客
12-09 614
关于seed()函数用法： seed( ) 用于指定随机数生成时所用算法开始的整数值。 1.如果使用相同的seed( )值，则每次生成的随即数都相同； 2.如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异而不同。 3.设置的seed()值仅一次有效
简单理解np.random.seed()函数
学习，是熵减的最有效途径。
04-11 3791
但是问题来了，因为牵涉到随机因素，那么不要说复现别人的结果，那么即使自己对比自己上一个做的结果，那么结果可能也会不一样。而random.seed()括号里的数字，相当于一把钥匙，对应一个箱子，同样的数值能够使得抽样的结果一致。，因此当我们在数据挖掘过程当中，牵涉到这样的算法或者处理的时候，结果可能就会产生差异了。（4）在整体数据集当中，随机抽取样本组成的训练集及测试集。（2）聚类算法，例如K-means算法的初试聚类中心；在机器学习当中，有很多的处理或者算法是带有一定的。（1）神经网络当中的初始化权重；
np.random.seed()函数的用法
cocofisher的博客
01-13 5869
首先，np.random.seed()函数中的参数可以选择任何一个数。 它的功能是使设有相同参数的seed函数之后的随机数都相等。如： a = np.array([[1, 2, 3, 4, 5], [2, 3, 4, 5, 6], [3, 4, 5, 6, 7], [4, 5, 6, 7, 8], [5, 6, 7, 8, 9]]) print(a) for i in range(3): ...
看透np.random.seed()函数只需此文
qq_41950447的博客
08-05 669
np.random.seed(n)用于生成指定的随机数，什么是指定的呢？就是这个函数将随机数分为n个堆，每个堆生成不同的随机数，参数n就表示第个堆，如果多次用此函数，并且n相同，则受此函数影响的np.random.rand()取得的随机数的值是相同的，因为在同一个堆中取得值。比如下面的例子。 import numpy as np if __name__ == '__main__': i = 0 while(i<6): if(i<3):
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值