numpy之间的性能差异。随机的，随机的。Python中的随机

Question

我想看看哪个随机数生成器包在我的神经网络中更快。

我目前正在更改github的一个代码，其中两个都是numpy。随机和随机包用于生成随机整数、随机选择、随机样本等。

我之所以更改此代码，是因为出于研究目的，我希望设置一个全局种子，以便能够比较超参数不同设置的精度性能。问题是，现在我必须为随机包和numpy包设置两个全局种子。理想情况下，我只想设置一个种子，因为来自两个随机数生成器序列的图形可能会更快地关联起来。

然而，我不知道哪个软件包的性能更好（在速度方面）：numpy还是random。所以我想找到两种包装的种子，它们对应于完全相同的梅森扭转序列。这样一来，两个模型的图形都是相同的，因此每个梯度下降步骤中的迭代次数也是相同的，这导致了速度上的差异，这只是由我使用的包引起的。

我找不到任何关于成对种子的文档，这些种子在两个包中都以相同的随机数序列结束，而且尝试各种组合似乎有点麻烦。

我尝试了以下方法：

np.random.seed(1)
numpy_1=np.random.randint(0,101)
numpy_2=np.random.randint(0,101)
numpy_3=np.random.randint(0,101)
numpy_4=np.random.randint(0,101)
for i in range(20000000):
    random.seed(i)
    random_1=random.randint(0,101)
    if random_1==numpy_1:
        random_2=random.randint(0,101)
        if random_2==numpy_2:
            random_3=random.randint(0,101)
            if random_3==numpy_3:
                random_4=random.randint(0,101)
                if random_4==numpy_4:
                    break
print(np.random.randint(0,101))
print(random.randint(0,101))

但这并没有真正起作用，这是可以预料的。

Answer 1

重复这篇文章

答案取决于需求：
-加密/安全：秘密
-科学研究：numpy
-常用：随机

Answer 2

考虑以下肮脏的黑客：

import random
import numpy as np

random.seed(42)
np.random.seed(42)

print(random.random(), np.random.random())

# copy numpy random module state to python random module
a = random.getstate()
b = np.random.get_state()
a2 = (a[0], tuple(int(val) for val in list(b[1]) + [a[1][-1]]), *a[2:])
random.setstate(a2)

print(random.random(), np.random.random())

输出：

0.6394267984578837 0.3745401188473625  # different
0.9507143064099162 0.9507143064099162  # same

不确定这两种实现的所有可能性是否真的一致。

Answer 3

numpy。random和pythonrandom以不同的方式工作，尽管正如您所说，它们使用相同的算法。

在种子方面：您可以使用numpy中的set_state和get_state函数。random（在python中称为getstate和setstate）并将状态从一个传递到另一个。结构略有不同（在python中，posinteger附加到状态元组的最后一个元素）。参见numpy的文档。随机的获取_state（）和random。getstate（）：

import random
import numpy as np
random.seed(10)
s1 = list(np.random.get_state())
s2 = list(random.getstate())

s1[1] = np.array(s2[1][:-1]).astype('int32')
s1[2] = s2[1][-1]

np.random.set_state(tuple(s1))

print(np.random.random())
print(random.random())
>> 0.5714025946899135
0.5714025946899135

就效率而言：这取决于你想做什么，但是Numpy通常更好，因为你可以创建元素数组而不需要循环：

%timeit np.random.random(10000)
142 µs ± 391 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

%timeit [random.random() for i in range(10000)]
1.48 ms ± 2.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

就“随机性”而言，numpy（根据他们的文档）也更好：

注意：Python stdlib模块“random”还包含一个Mersenne Twister伪随机数生成器，其中有许多方法与RandomState中提供的html" target="_blank">方法类似RandomState除了具有NumPy意识之外，还有一个优点，即它提供了更多的概率分布供选择。