怎样在Python中设置NumPy全局随机种子保证实验可复现-Python教程-PHP中文网

numpy 1.17+ 不推荐 np.random.seed()，因其仅影响旧 randomstate，而新函数默认使用独立 generator，导致不可复现；应改用 np.random.default_rng(42) 显式创建并统一使用该实例。

怎样在python中设置numpy全局随机种子保证实验可复现

为什么 `np.random.seed()` 不再推荐

NumPy 1.17+ 引入了新的随机数生成器（Generator）和旧的 RandomState 分离，np.random.seed() 只影响全局 RandomState 实例，但很多新函数（如 np.random.normal()、np.random.choice()）默认已切换到 Generator 路径——这意味着调用 np.random.seed(42) 后，仍可能得到不可复现的结果。

常见错误现象：np.random.randn(3) 每次运行结果不同，即使前面写了 np.random.seed(42)。

根本原因是：新 API 默认使用独立的 Generator 实例，不共享全局 seed 状态
np.random.seed() 仅对遗留接口（如 np.random.random_sample()）有效
跨线程或子进程时，该方式完全失效（无状态传递）

正确做法：用 `np.random.default_rng()` + 显式种子

必须放弃“设一次全局种子”的幻想，改为显式创建带种子的 Generator 实例，并在所有随机操作中使用它。这是 NumPy 官方当前唯一保证可复现的方式。

实操建议：

统一用 rng = np.random.default_rng(42) 创建实例，不要用 np.random.Generator(np.random.PCG64(42)) 这类冗长写法
所有随机函数调用都走 rng.xxx()，例如：rng.normal(0, 1, size=5)、rng.choice(['a','b'], size=3)
避免混用：不要在同一个项目里一部分用 rng.integers()，另一部分又用 np.random.randint()
如果必须调用依赖全局 RandomState 的第三方库（如旧版 SciPy），需额外调用 np.random.seed(42) 配合，但优先升级依赖

如何处理多模块/多文件项目的种子一致性

不能靠“每个文件开头写一遍 np.random.seed(42)”，因为模块导入顺序、执行时机不可控，且无法覆盖 Generator 行为。

推荐方案是：在主入口（如 train.py）中创建并注入 rng，通过参数或全局配置传递给各模块。

A Python CLI skill for Cutout.Pro visual APIs — background removal, face cutout, and photo enhancement. Supports file upload & image URL input.

调用 Cutout.Pro 视觉处理 API 进行背景移除、人像抠图和照片增强，支持文件上传与图片 URL 输入。

下载

简单场景：定义一个模块级变量 GLOBAL_RNG = np.random.default_rng(42)，在公共 utils 文件中初始化，其他文件 from utils import GLOBAL_RNG
复杂场景（如训练循环、数据加载器）：把 rng 作为参数传入函数，例如 def load_batch(data, rng, batch_size):
切忌在函数内部重复创建 default_rng() —— 没传 seed 就等于没设种子；传了 seed 则每次新建实例，打乱序列逻辑

示例片段：

import numpy as np
<h1>✅ 正确：统一源头</h1><p>GLOBAL_RNG = np.random.default_rng(12345)</p><p>def sample_with_noise(x):
return x + GLOBAL_RNG.normal(0, 0.1, size=x.shape)</p><h1>❌ 错误：每次调用都新建无 seed 的 Generator</h1><p>def bad_sample(x):
rng = np.random.default_rng()  # 没 seed → 不可复现
return x + rng.normal(0, 0.1, size=x.shape)</p>