如何取消numpy已播种的随机序列？多进程+@jitclass场景问题

我明白你现在的困境：想让多进程里第一部分随机数用统一固定种子（所有进程结果一致），第二部分要每个进程生成不一样的随机序列，但因为之前固定了种子，用np.random.randint生成新种子时，每个进程出的数都一样，导致后续序列还是重复，而且受限于@jitclass，不能用np.random.seed(None)或者时间戳种子来破局。

问题根源拆解 #

你看你的输出就知道问题在哪：第一组随机数完全一致（这是符合预期的），但第二组也一模一样——因为在统一种子的状态下，所有进程调用np.random.randint(100000000)时，生成的随机整数是完全相同的，相当于又给所有进程设了同一个新种子，自然后续序列也重复了。

靠谱的解决方案：用进程唯一标识做种子偏移 #

既然不能用时间或者None种子，我们可以用每个进程独有的标识来生成新种子，这样每个进程的新种子必然不同，后续随机序列也就独立了。这里有两个好用的标识：

方案1：用进程ID（PID）生成新种子 #

这个方法直接利用操作系统给每个进程分配的唯一PID，结合原种子生成新种子，代码修改如下：

import numpy as np
import multiprocessing
import os  # 用来获取进程ID

class mp_worker_class():
    def __init__(self,):
        pass
    @classmethod
    def start(self, nb=None, seed=None, nbcore=None):
        lfp_p=np.empty((nbcore,nb))
        pipe_list = []
        for h in range(nbcore):
            recv_end, send_end = multiprocessing.Pipe( )
            p = multiprocessing.Process(target=self.mp_worker , args=(h, nb, seed, send_end ))
            p.start()
            pipe_list.append(recv_end)
        for idx, recv_end in enumerate(pipe_list):
            lfp_p[idx,:]=recv_end.recv()
        return lfp_p
    @classmethod
    def mp_worker(self,h, nb=None, seed=None, send_end=None):
        np.random.seed(seed)
        np.random.seed(0)  # 统一固定种子，生成第一组一致的随机数
        print(h,np.random.rand(5))
        
        # 用进程ID+原种子生成唯一新种子
        process_id = os.getpid()
        # 哈希后取模，确保在numpy种子的有效范围（0到2^32-1）内
        new_seed = hash((seed, process_id)) % (2**32 - 1)
        np.random.seed(new_seed)
        
        print(h, np.random.rand(5))
        send_end.send(np.random.rand(5))
        return

if __name__ == '__main__':
    print(mp_worker_class().start(nb=10, seed=1, nbcore=3 ))

方案2：用进程索引生成新种子（更适配jitclass） #

如果@jitclass限制你不能调用os.getpid()，那直接用创建进程时的索引h就行——因为每个进程的h是唯一的（0、1、2...），结合原种子生成新种子，完全不需要额外模块：

# 在mp_worker方法里替换种子生成部分
new_seed = hash((seed, h)) % (2**32 - 1)
np.random.seed(new_seed)

为什么这方法管用？ #

不管是PID还是进程索引，都是每个进程独有的值，所以生成的new_seed在每个进程里都不一样，调用np.random.seed(new_seed)后，每个进程的随机数生成器状态就彻底独立了。而且这种方式完全不依赖时间或者np.random.seed(None)，完美适配@jitclass的限制。

修改后的预期输出 #

你会看到第一组随机数还是完全一致，第二组每个进程都不一样了，比如类似这样：

0 [0.5488135 0.71518937 0.60276338 0.54488318 0.4236548 ]
0 [0.37591933 0.43441666 0.81303047 0.00949575 0.40894335]
1 [0.5488135 0.71518937 0.60276338 0.54488318 0.4236548 ]
1 [0.93482738 0.86919454 0.83116105 0.06308839 0.20434528]
2 [0.5488135 0.71518937 0.60276338 0.54488318 0.4236548 ]
2 [0.62740647 0.45683322 0.82071748 0.08931912 0.75944543]

内容的提问来源于stack exchange，提问作者ymmx