Numpy随机种子问题：gt值未从种子1的预期结果起始

设置np.random.seed(1)后，原代码生成的gt值跳过了测试代码中的第一个结果，直接从第二个结果开始输出。

原代码 #

num= 100
obs=[]
np.random.seed(1)

for i in range(num):
  
  N=[]
  CF3_1=[]
  CF3_2=[]
  i=2

  salvage= np.random.triangular(salvage_min, salvage_mode, salvage_max)
  inv= np.random.uniform(inv_min, inv_max)

  for y in range(0,5):
    
    gt= 14.747101 + 11.664259 * np.random.beta(0.645868, 0.920589)
    print(gt)

简化测试代码 #

np.random.seed(1)
gt= 14.747101 + 11.664259 * np.random.beta(0.645868, 0.920589)
print(gt)

测试代码输出 #

17.889105013452703
14.747134750650536
19.474766202077234
16.967191836499126
18.465043981244925
18.03420202040634
15.794033025059752

原代码输出 #

14.747134750650536
19.474766202077234
16.967191836499126
18.465043981244925
18.03420202040634

原因分析 #

Numpy的全局随机数生成器状态是共享的，每次调用任何随机函数（比如triangular、uniform、beta）都会推进这个状态。原代码中，在调用beta生成gt之前，先调用了np.random.triangular和np.random.uniform，这两个函数消耗了种子初始化后的前两个随机数，导致后续beta生成的第一个值对应测试代码中beta生成的第二个值。

解决方案 #

方案1：为gt单独使用独立的随机生成器 #

如果希望gt的生成不受其他随机函数影响，可创建单独的RandomState对象来生成gt：

num= 100
obs=[]
# 为gt创建独立的随机生成器，初始化种子为1
gt_rng = np.random.RandomState(1)

for i in range(num):
  N=[]
  CF3_1=[]
  CF3_2=[]
  i=2

  salvage= np.random.triangular(salvage_min, salvage_mode, salvage_max)
  inv= np.random.uniform(inv_min, inv_max)

  for y in range(0,5):
    # 使用独立生成器生成beta值
    gt= 14.747101 + 11.664259 * gt_rng.beta(0.645868, 0.920589)
    print(gt)

方案2：调整随机函数调用顺序（如果业务逻辑允许） #

如果不需要在生成gt之前生成salvage和inv，可以先完成gt的生成，再调用其他随机函数：

num= 100
obs=[]
np.random.seed(1)

for i in range(num):
  N=[]
  CF3_1=[]
  CF3_2=[]
  i=2

  # 先生成gt
  for y in range(0,5):
    gt= 14.747101 + 11.664259 * np.random.beta(0.645868, 0.920589)
    print(gt)
  
  # 再生成salvage和inv
  salvage= np.random.triangular(salvage_min, salvage_mode, salvage_max)
  inv= np.random.uniform(inv_min, inv_max)

方案3：每次循环重置种子（生成重复的gt序列） #

如果希望每次循环都生成完全相同的gt序列，可以将种子初始化移到循环内部：

num= 100
obs=[]

for i in range(num):
  np.random.seed(1)  # 每次循环重置种子
  N=[]
  CF3_1=[]
  CF3_2=[]
  i=2

  salvage= np.random.triangular(salvage_min, salvage_mode, salvage_max)
  inv= np.random.uniform(inv_min, inv_max)

  for y in range(0,5):
    gt= 14.747101 + 11.664259 * np.random.beta(0.645868, 0.920589)
    print(gt)

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