np.random.seed()
首先显示一段代码：
import numpy as np
num = 0
while(num<5):
np.random.seed(1)
print(np.random.random())
num += 1
print('-------------------------')
num1 = 0
np.random.seed(2)
while(num1<5):
print(np.random.random())
num1 += 1
运行结果：
0.417022004702574
0.417022004702574
0.417022004702574
0.417022004702574
0.417022004702574
-------------------------
0.43599490214200376
0.025926231827891333
0.5496624778787091
0.4353223926182769
0.42036780208748903
Process finished with exit code 0
讲解：
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
所谓随机数其实是伪随机数，所谓的‘伪’，意思是这些数其实是有规律的，只不过因为算法规律太复杂，很难看出来。再厉害的算法，没有一个初始值，它也不可能凭空造出一系列随机数来，我们说的种子就是这个初始值。
random随机数是这样生成的：我们将这套复杂的算法（是叫随机数生成器吧）看成一个黑盒，把我们准备好的种子扔进去，它会返给你两个东西，一个是你想要的随机数，另一个是保证能生成下一个随机数的新的种子，把新的种子放进黑盒，又得到一个新的随机数和一个新的种子，从此在生成随机数的路上越走越远。
再看我们的代码：
第一段代码把对种子的设置放在了循环里面，每次执行循环都旗帜鲜明地告诉黑盒：“我的种子是1”。那么很显然：同一个黑盒，同一个种子，自然得到的是同一个随机数。
第二段代码把对种子的设置放在了循环外面，他只在第一次循环的时候明确地告诉黑盒：“我的种子是2”。那么也很显然：从第二次循环开始，黑盒用的就是自己生成的新种子了。
多说一句：因为黑盒是始终如一的，所以只要你没改变种子，那么你得到的随机数就不会改变。
没有特殊需求的话，还是老老实实地用Python自动选择的种子吧，省心又省力。
深入理解：
在使用numpy时，难免会用到随机数生成器。一直对np.random.seed()，随机数种子搞不懂。很多博客也就粗略的说，利用随机数种子，每次生成的随机数相同。
两个疑惑：1, 利用随机数种子，每次生成的随机数相同。这是什么意思?
2,随机数种子的参数怎么选择？在别人的代码中经常看到np.random.seed(Argument),这个参数不一样，有的是0，有的是１，当然还有其他数。那这个参数应该怎么选择呢？
通过对别的博客的理解，我做了以下几组实验：
import numpy as np if __name__ == '__main__': i = 0 while(i<6): if(i<3): np.random.seed(0) print(np.random.randn(1, 5)) else: print(np.random.randn(1, 5)) pass i += 1 i = 0 while(i<2): print(np.random.randn(1, 5)) i += 1 print(np.random.randn(2, 5)) np.random.seed(0) i = 0 while(i<８): print(np.random.randn(1, 5)) i += 1
运行结果：
[[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]] [[ 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 ]] [[ 0.14404357 1.45427351 0.76103773 0.12167502 0.44386323]] [[ 0.33367433 1.49407907 -0.20515826 0.3130677 -0.85409574]] [[-2.55298982 0.6536186 0.8644362 -0.74216502 2.26975462]] [[-1.45436567 0.04575852 -0.18718385 1.53277921 1.46935877]] [[ 0.15494743 0.37816252 -0.88778575 -1.98079647 -0.34791215] [ 0.15634897 1.23029068 1.20237985 -0.38732682 -0.30230275]] [[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]] [[-0.97727788 0.95008842 -0.15135721 -0.10321885 0.4105985 ]] [[ 0.14404357 1.45427351 0.76103773 0.12167502 0.44386323]] [[ 0.33367433 1.49407907 -0.20515826 0.3130677 -0.85409574]] [[-2.55298982 0.6536186 0.8644362 -0.74216502 2.26975462]] [[-1.45436567 0.04575852 -0.18718385 1.53277921 1.46935877]] [[ 0.15494743 0.37816252 -0.88778575 -1.98079647 -0.34791215]] [[ 0.15634897 1.23029068 1.20237985 -0.38732682 -0.30230275]]
通过该实验我们可以得到以下结论：
1.1．可以看出，像http://blog.csdn.net/linzch3/article/details/58220569这篇博客中提到的，np.random.seed()对后面的随机数一次有效，而不是一直有效，这种说法是错误的。
两次利用随机数种子后，即便是跳出循环后，生成随机数的结果依然是相同的。第一次跳出while循环后，进入第二个while循环，得到的两个随机数组确实和加了随机数种子不一样。但是，后面的加了随机数种子的，八次循环中的结果和前面的结果是一样的。说明，随机数种子对后面的结果一直有影响。同时，加了随机数种子以后，后面的随机数组都是按一定的顺序生成的。
1.2．在同样的随机种子后第六次的随机数生成结果，(结果高亮部分)，两行五列的数组和两个一行五列的数组结果相同。说明，在生成多行随机数组时，是由单行随机数组组合而成的。
现在我们回答了第一个疑惑：利用随机数种子，每次生成的随机数相同。这是什么意思? －－就是使后面的随机数按一定的顺序生成。
import numpy as np if __name__ == '__main__': i = 0 np.random.seed(0) while(i<3): print(np.random.randn(1, 5)) i += 1 i = 0 np.random.seed(1) i = 0 while(i<3): print(np.random.randn(1, 5)) i += 1
[[ 1.76405235 0.40015721 0.97873798 2.2408932 1.86755799]] [[-0.97727788 0.95008842 -0.15135721 -0.10321885 0.4105985 ]] [[ 0.14404357 1.45427351 0.76103773 0.12167502 0.44386323]] [[ 1.62434536 -0.61175641 -0.52817175 -1.07296862 0.86540763]] [[-2.3015387 1.74481176 -0.7612069 0.3190391 -0.24937038]] [[ 1.46210794 -2.06014071 -0.3224172 -0.38405435 1.13376944]]
你可以实验，在你的电脑上，当随机数种子参数为0和1时，生成的随机数和我上面高亮的结果相同。说明该参数指定了一个随机数生成的起始位置。每个参数对应一个位置。并且在该参数确定后，其后面的随机数的生成顺序也就确定了。
所以，现在我们回答了我的第二个疑问：随机数种子的参数怎么选择？我认为随意，这个参数只是确定一下随机数的起始位置。
参考文献：
1.https://blog.csdn.net/weixin_41013470/article/details/82956178
