numpy.random与random.random在Python中的性能差异

Question

我想看看在我的神经网络中，随机数发生器包的速度更快。

我目前正在修改github的代码，其中使用numpy.random和随机包生成随机整数、随机选择、随机样本等。

我之所以要更改这段代码，是因为出于研究目的，我希望设置一个全局种子，以便能够比较不同的超参数设置的精度性能。问题是，现在我必须为随机包和numpy包设置2个全局种子。理想情况下，我希望只设置一个种子，因为来自两个随机数生成器序列的绘图可能会更快地变得相关。

但是，我不知道哪个包会表现得更好(就速度而言)：numpy还是随机的。因此，我想找到种子的两个包，对应完全相同的Mersenne序列。这样，两个模型的绘图是相同的，因此每个梯度下降步骤中的迭代次数也是相同的，导致速度的差异仅由我使用的包造成。

我找不到任何关于种子对的文档，它们的结果是两个包的随机数序列相同，而且尝试各种组合似乎有点麻烦。

我尝试了以下几点：

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))

但这并没有像预期的那样真正起作用。

Answer 1

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

关于种子：您可以使用numpy.random中的set_state和get_state函数(在pythonrandom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，pos整数附加到状态元组中的最后一个元素)。参见状态()和random.getstate()的文档

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，()：它取决于您想要做什么，但是numpy通常更好，因为您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)

在“随机性”方面，numpy是(根据他们的文档)，也更好：

注意: Python模块“随机”还包含一个Mersenne伪随机数生成器，其中有许多类似于RandomState中可用的方法。RandomState除了具有NumPy感知能力外，还具有提供更多概率分布可供选择的优点。

Answer 2

考虑以下肮脏的攻击：

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

不确定这种方式在这两种实现的所有可能性之间是否真的一致。

Answer 3

复制此帖子

答案取决于需要：

• 密码学/安全:秘密
• 科学研究:矮胖
• 常用:随机