Numpy default_rng设置随机种子，重复运行结果不一致问题求助

核心问题 #

你代码里的normal()调用的是全局numpy随机生成器，而非每个worker内部创建的rng实例的方法。全局生成器的状态会在每次调用时被修改，导致多次运行结果不一致，而且完全没用到你为每个worker单独初始化的rng对象。

修正代码 #

把print(normal())改成print(rng.normal())，确保使用每个worker独立的随机生成器：

from numpy.random import default_rng, normal

def worker(root_seed, worker_id):
    rng = default_rng([worker_id, root_seed])
    print(rng.normal())  # 改用当前worker的rng实例方法

root_seed = 0x8c3c010cb4754c905776bdac5ee7501
results = [worker(root_seed, worker_id) for worker_id in range(5)]

更规范的并行种子设置（官方推荐） #

使用SeedSequence衍生独立子种子，避免手动构造种子列表，更适配并行场景：

from numpy.random import SeedSequence, default_rng

def worker(seed):
    rng = default_rng(seed)
    print(rng.normal())

root_seed = 0x8c3c010cb4754c905776bdac5ee7501
ss = SeedSequence(root_seed)
worker_seeds = ss.spawn(5)  # 生成5个互不干扰的子种子
results = [worker(seed) for seed in worker_seeds]

这样无论串行还是并行运行，相同根种子下每个worker的输出都会完全一致，且各worker的随机序列互相独立，不会产生状态干扰。

内容的提问来源于stack exchange，提问作者user2974951