随机种子 | JrunDing

随机种子（Random Seed）是计算机科学和统计学中用于生成伪随机数的一个起始点。理解随机种子的工作原理，首先要明白“伪随机数”的概念。

计算机本身无法生成真正的随机数，因为它们是确定性的机器，执行相同的指令总是会产生相同的结果。因此，所谓的“随机数”实际上是由算法生成的、看起来像是随机分布的一系列数字，这些数字被称为伪随机数。

随机种子是一个初始值，它被提供给一个伪随机数生成器（PRNG, Pseudo-Random Number Generator），以开始生成一系列伪随机数。给定相同的种子，PRNG将会产生完全相同的序列的伪随机数。这是因为PRNG使用的是确定性的算法：对于给定的输入（即种子），它总是会输出同样的数字序列。

工作原理

选择种子：可以使用系统时间、键盘输入事件的时间间隔或其他不可预测的数据作为种子。也可以手动指定一个种子值，这对于需要重现实验结果或调试程序非常有用。
生成伪随机数：一旦选择了种子，PRNG就开始工作，基于这个种子按照特定算法生成一串伪随机数。算法的设计保证了生成的数列具有良好的统计特性，比如均匀分布等。
重复性和可预测性：如果知道了种子和使用的算法，那么就可以准确地预测出整个伪随机数序列。这也是为什么在进行科学研究、软件测试或加密时，有时需要特别注意随机种子的选择，以确保结果的不可预测性和安全性。

应用场景

模拟和建模：为了确保模拟过程的可重复性，研究人员可能会使用固定的随机种子。
游戏开发：在游戏中，随机种子可用于生成地图或事件，同时允许玩家通过记住种子来重现特定的游戏体验。
加密技术：虽然简单的PRNG不适合直接用于加密目的，但某些高级加密安全伪随机数生成器（CSPRNGs）依赖于类似的概念，不过它们需要更高的安全标准。

总之，随机种子为伪随机数生成提供了起点，其重要性在于既能够创建看似随机的数据序列，又能根据需要重现这些序列。

考虑以下情况：

import numpy as np

seed = 42
np.random.seed(seed)
data1 = np.random.rand(5)

np.random.seed(seed) # 重新设置了种子
data2 = np.random.rand(5) # 由于重新设置了种子，data2将会和data1相同

print(data1)
print(data2)

在这个例子中，data1 和 data2 将会是相同的，因为你在生成 data2 前重新设置了种子。如果你不希望这样，只需在生成第一组数据前设置一次种子即可，如下所示：

import numpy as np

seed = 42
np.random.seed(seed)
data1 = np.random.rand(5)

# 不再重新设置种子
data2 = np.random.rand(5) # 继续从上次离开的地方生成随机数

print(data1)
print(data2)

在这种情况下，data1 和 data2 应该是不同的，但它们都是基于相同的初始种子生成的。也就是说，虽然两组数据不同，但给定相同的种子，其他任何人执行同样的操作也会得到完全一样的 data1 和 data2，从而保证了结果的可重复性。