如何获取NumPy随机数生成器的当前种子？

Question

以下代码导入了NumPy并设置了种子。

import numpy as np
np.random.seed(42)

然而，我不想设置随机种子，而是更关心如何读取它。random.get_state() 似乎并不包含种子。文档 中没有明显的答案。

如果我没有手动设置随机种子，如何检索由 numpy.random 使用的当前种子？

我想使用当前种子来在进程的下一次迭代中继续使用。

- Mast

---

你能解释一下你所说的“使用当前种子来传递到下一个进程迭代”的意思吗？你为什么不能简单地使用np.random.get_state和np.random.set_state的组合，或者传递一个np.random.RandomState实例来跟踪RNG的内部状态呢？ - ali_m

@ali_m 如果我固定了种子，我知道要使用哪个种子来重现结果。但是，如果我没有固定种子，我怎么知道使用了哪个种子？ - Mast

为什么你的问题的答案说“简短的回答是你根本不能这样做（至少在一般情况下不行）”，但是你却接受了这个答案。他是否成功回答了你的问题？我感到困惑。 - Charlie Parker

@CharlieParker，我接受了回答，因为没有更好的选择。如果你有一个能够解决这个问题并说明如何做到的答案，请发表出来。接受标记是可以移动的。 - Mast

为什么不先通过 seed = np.random.randint(0, 100000) 设置一个种子？ - Fangda Han

Answer 1

简短的回答是你不能这样做（至少不是通常情况下）。

numpy使用的 Mersenne Twister 随机数生成器 (RNG) 有2¹⁹⁹³⁷-1个可能的内部状态，而单个64位整数只有2⁶⁴个可能的值。因此，无法将每个RNG状态映射到唯一的整数种子。

你可以使用 np.random.get_state 和 np.random.set_state 直接获取和设置RNG的内部状态。 get_state的输出是一个元组，其第二个元素是一个 (624,) 的32位整数数组。这个数组的位数足以表示RNG的每个可能的内部状态 (2^{624 * 32} > 2¹⁹⁹³⁷-1)。

get_state返回的元组可以像种子一样用于创建可重复的随机数序列。例如：

import numpy as np

# randomly initialize the RNG from some platform-dependent source of entropy
np.random.seed(None)

# get the initial state of the RNG
st0 = np.random.get_state()

# draw some random numbers
print(np.random.randint(0, 100, 10))
# [ 8 76 76 33 77 26  3  1 68 21]

# set the state back to what it was originally
np.random.set_state(st0)

# draw again
print(np.random.randint(0, 100, 10))
# [ 8 76 76 33 77 26  3  1 68 21]

- ali_m

---

为什么你说你不能做到“简短回答是你根本做不到（至少在一般情况下是这样的）。”从我读到的回答来看，好像您可以做到。我感到困惑。 - Charlie Parker

不确定是否有严格的定义规定种子在任何情况下需要是什么。如果元组或其他结构将您带回所需的相同随机状态，那么这不就是一个种子吗？我不知道种子必须是整数。但是你的答案似乎有效，除了你提到的整数表示之外，是否还有什么需要注意的地方？ - Charlie Parker

我不是特别想辩论“种子”的定义。只要你愿意将get_state的输出称为“种子”，那么我回答中展示的代码对你就有效。我理解OP的问题是“np.random.seed的反函数是什么？”但出于我上面讨论过的原因，这是不可能的。 - ali_m

我没有在辩论，也不想辩论。我真的只是想确保我理解了你的回答，并且没有意外的奇怪限制。据我所知，一切都好，你的回答对我来说更有意义了（这就是为什么我点了赞的原因 ;) ）。谢谢 :) - Charlie Parker

由于 RandomState 中的 seed 参数需要是介于0和2**32-1之间的整数或这些整数数组，因此@bukzor提出的问题并不重要。原则上，您可以通过解包本机Python整数中的位来生成uint32s数组，但这不是 RandomState 本身支持的功能。 - ali_m

Answer 2

这篇文章旨在澄清ali_m的正确答案并更正Dong Justin的建议。

---

以下是我的研究发现：

1. 使用np.random.seed(X)设置随机种子后，您可以使用np.random.get_state()[1][0]找到它。
2. 然而，这对您来说几乎没有什么用处。

下面的代码段输出将向您展示为什么两个语句都是正确的。

---

语句1 - 您可以使用np.random.get_state()[1][0]找到随机种子。

如果您使用np.random.seed(123)设置了随机种子，则可以使用state=np.random.get_state()以元组形式检索随机状态。以下是state的详细信息（我在Spyder中使用变量资源管理器）。我正在使用屏幕截图，因为使用print(state)会因为元组第二个元素中包含的数组大小而使控制台溢出。

您可以轻松地看到在第二个元素包含的数组中，123是数组的第一个数字。使用seed = np.random.get_state()[1][0] 将给您123。 完美吗？不完全是，因为：

语句2 - 然而，这对您来说几乎没有什么用处:

虽然一开始可能不会这样，但是您可以使用np.random.seed(123)，使用seed = np.random.get_state()[1][0]检索相同的数字，使用np.random.seed(444)重置种子，然后（表面上）使用np.random.seed(seed)将其设置回123的情况。 但是，您在此之前已经知道了您的随机种子，因此不需要以这种方式进行操作。下一个代码部分还将显示，您不能使用np.random.get_state()[1][0]获取任何随机状态的第一个数字并期望重新创建该确切情况。请注意，您可能需要完全关闭和重新启动内核（或调用np.random.seed(None)）才能看到这一点。

以下代码段使用np.random.randint()生成5个介于-10和10之间的随机整数，并存储有关该过程的一些信息：

代码段1

# 1. Imports
import pandas as pd
import numpy as np

# 2. set random seed
#seedSet = None
seedSet = 123
np.random.seed(seedSet)

# 3. describe random state
state = np.random.get_state()
state5 = np.random.get_state()[1][:5]
seedState = np.random.get_state()[1][0]

# 4. generate random numbers
random = np.random.randint(-10, 10, size = 5)

# 5. organize and present findings
df = pd.DataFrame.from_dict({'seedSet':seedSet, 'seedState':seedState, 'state':state, 'random':random})
print(df)

注意到名为seedState的列与state下的第一个数字相同。我本可以将其作为独立的数字打印出来，但我想把它们放在同一个地方。另请注意，seedSet = 123和np.random.seed(seedSet)目前已被注释掉了。因为没有设置随机种子，所以你的数字会与我的不同。但重要的不是这个，而是你的结果内部一致性。

   random seedSet   seedState       state
0       2    None  1558056443  1558056443
1      -1    None  1558056443  1808451632
2       4    None  1558056443   730968006
3      -4    None  1558056443  3568749506
4      -6    None  1558056443  3809593045

在这个特定的情况下，seed = np.random.get_state()[1][0]等于1558056443。按照Dong Justin回答的逻辑（以及我在编辑之前的回答），您可以使用np.random.seed(1558056443)设置随机数种子并获得相同的随机状态。下面的代码片段将说明您不能：

代码片段2

# 1. Imports
import pandas as pd
import numpy as np

# 2. set random seed
#seedSet = None
seedSet = 1558056443
np.random.seed(seedSet)

# 3. describe random state
#state = np.random.get_state()
state = np.random.get_state()[1][:5]
seedState = np.random.get_state()[1][0]

# 4. generate random numbers
random = np.random.randint(-10, 10, size = 5)

# 5. organize and present findings
df = pd.DataFrame.from_dict({'seedSet':seedSet, 'seedState':seedState, 'state':state, 'random':random})
print(df)

输出2：

   random     seedSet   seedState       state
0       8  1558056443  1558056443  1558056443
1       3  1558056443  1558056443  1391218083
2       7  1558056443  1558056443  2754892524
3      -8  1558056443  1558056443  1971852777
4       4  1558056443  1558056443  2881604748

看到区别了吗？np.random.get_state() [1] [0]在输出1和输出2中是相同的，但其余的输出不同（最重要的是随机数不同）。因此，正如ali_m已经清楚地指出：

因此，将每个RNG状态映射到唯一整数种子是不可能的。

- vestland

---

TL;DR：中间随机状态无法恢复（例如生成 5 个数字后的状态）。写得很好。 - OverLordGoldDragon

请检查代码和输出。在片段1中，seedSet 应该是 None，而 state5 应该是 state。数据框的列顺序与输出不一致。文本中说“seed=123”已被注释掉……实际上没有，并且无论如何也没有使用。在片段2中，为了清晰起见，应该删除注释语句（语句 state = np.random.get_state() 不应该出现在代码中）。 - marsipan

实际上，我得到了完全相反的结果；通过 np.random.seed 设置的原始随机状态在生成数字后无法恢复，但是中间状态（_当前状态_）可以。 - OverLordGoldDragon

Answer 3

了解随机种子的一个简单解决方案是随机生成一个，然后将其作为随机数生成器的种子。可以使用以下代码：

import numpy as np
seed = int(np.random.rand() * (2**32 - 1))
np.random.seed(seed)

- Jeremy Roy

---

正是我所需要的，可以保存一个出现意外行为的随机状态。 - Hunaphu

Answer 4

这个答案补充了其他人忽略的重要细节。首先，为了换句话说结论：

原始随机种子（通过np.random.seed设置）不能在生成数字后被恢复，但中间状态（当前状态）可以。

请参考@vestland的回答；然而，它可能会误导：生成的数字之所以不同，并非由于无法映射状态，而是使用了不完整的编码：get_state()[1]。完整的表示包括pos = get_state()[2]。为了说明这一点：

import numpy as np

state0 = np.random.get_state()
rand0  = np.random.randint(0, 10, 1)
state1 = np.random.get_state()
rand1  = np.random.randint(0, 10, 1)

assert all(s0 == s1 for s0, s1 in zip(state0[1], state1[1]))

我们生成了一个数字，但是 get_state()[1] 保持不变。然而：

np.random.set_state(state0)
assert np.random.randint(0, 10, 1) == rand0

对于state1和rand1同样如此。因此，@vestland的数字不同，因为当没有设置种子时，pos = 623 - 而如果我们使用np.random.seed，pos = 624。为什么存在这种不方便的差异？没有头绪。

---

总之，关于np.random.seed(s)：

• 在设置后立即使用get_state()[1][0]：检索精确重现状态的s
• 在生成数字后使用get_state()[1][0]：可能会检索到s，但它将无法重新创建当前状态（在get_state()处）
• 在生成许多数字后使用get_state()[1][0]：将无法检索到s。这是因为pos耗尽了其表示。
• 在任何时候使用get_state()：将精确地重新创建那个点。

最后，行为也可能因get_state()[3:]（当然还有[0]）而有所不同。

- OverLordGoldDragon

Answer 5

检查np.random.get_state()返回的数组的第一个元素，它看起来就像是随机种子。

- Dong Justin

---

是的，尽管没有明确说明，但已经提供的答案很可能就是通过这种方式实现其所能达到的效果。 - Mast

Answer 6

虽然顶部答案通常是正确的，即一般情况下不可能，但实际上是可能的。我建议您访问此人的博客：https://kamila.akagi.moe/posts/mersenne-twister/。该个人开发了一个Mersenne Twister破解算法以恢复初始种子，并提供了详细的算法细节。我并非作者，并且不完全理解该材料，但任何有兴趣尝试此操作的人都应该查看此内容。

- ZippyMagician

---

请提供更多细节以扩展您的答案，例如工作代码或文档引用。 - Community