伪原创生成工具哪种好(1.随机数到底怎么生成的python中的“伪随机”)

　　伪原创生成工具哪种好(1.随机数到底怎么生成的python中的“伪随机”)

　　这里讨论的随机*敏*感*词*适用于随机模块，numpy，火炬等，我们将以随机模块为例。

　　1.如何生成随机数

　　python中的随机数其实就是所谓的“伪随机数”，它的产生并不是完全无迹可寻的。伪随机数*敏*感*词*通过对“某个值”执行一系列操作来获得伪随机值。通常，这个“某个值”来自前一个随机数*敏*感*词*生成的值。但是，当你打开一个新程序时，并没有之前的伪随机数*敏*感*词*生成的值，那么系统会为你设置一个初始值（可能基于日期、时间等，这可以认为是不可能的推断），通过这个值，你可以一直走下去。

　　2.为什么是“伪随机”

　　从上图我们可以看出，1的值是由当时的系统环境决定的，我们能不能控制这个值1呢？答案是肯定的。

　　我们可以使用函数 random.seed() 为值 1 设置一个值，使其成为所有后续值的“*敏*感*词*”

　　我们来看下面的例子（两个例子都是在python3.x环境下）：

　　当我在windows系统上使用9001作为*敏*感*词*时多次运行伪随机*敏*感*词*（random.randint）时，会得到这样一个序列（1, 5, 5, 2, 10）.

　　当我在Linux系统上使用9001作为*敏*感*词*时多次运行伪随机*敏*感*词*（random.randint）时，会得到这样一个序列（1, 5, 5, 2, 10）.

　　通过这个例子，我们可以发现

　　1. 将值设置为1（即随机*敏*感*词*）后，整个随机序列就已经确定了。这就是所谓的“伪”。

　　2. 请注意，上面例子中的第五和第六个伪随机数*敏*感*词*（random.randint），它们接收到的“某个值”都是5，但是生成的数字是不同的（一个是5。一个是2）。这就是所谓的“随机”

　　3.为什么要设置随机*敏*感*词*

　　想象一下这种情况，我们已经为两个随机操作的程序完成了A和B的两个版本，那么如果我们要比较A和B的性能，由于程序内部的随机性，我们直接比较很难解释问题.

　　所以如果我们在程序开始时为 A 和 B 设置相同的随机*敏*感*词*，那么比较就会很容易，并且保证了内部随机操作。

　　这只是一个例子。一般来说，设置一个随机*敏*感*词*，让我们的比较和复现非常直观。

　　4.设置随机*敏*感*词*

　　import random, torch

import numpy as np

seed = 9001

random.seed(seed)

torch.manual_seed(seed) #CPU

torch.cuda.manual_seed(seed) #GPU

np.random.seed(seed)

　　参考链接：