np.random.shuffle 固定seed

可以使用np.random.seed()来固定seed，然后再使用np.random.shuffle()来打乱数据，这样每次运行程序时，打乱的结果都是一样的。例如：

import numpy as np

data = np.array([1, 2, 3, 4, 5])
np.random.seed(123)
np.random.shuffle(data)
print(data)

输出结果为：[3 2 1 5 4]

再次运行程序时，输出结果仍然是一样的。

相关问题

seed=3 np.random.seed(seed) np.random.shuffle(x_train) np.random.seed(seed) np.random.shuffle(y_train) tf.random.set_seed(seed)是什么意思

这段代码的作用是设置随机数种子，以确保在随机操作中得到可重复的结果。具体来说，这段代码：

1. 设置随机数种子为3，即后续的随机操作都将基于这个种子进行。

2. 使用该种子对训练数据集x_train和标签y_train进行随机打乱操作，以充分利用数据集来训练模型。

3. 设置TensorFlow的随机种子为3，以确保后续的随机操作也将基于该种子进行。

这样做的好处是，每次运行代码时得到的随机结果都是相同的，从而可以确保模型的可重复性，同时也可以方便进行调试和比较不同模型的结果。

idx = np.arange(X.shape[0]) np.random.seed(RANDOM_SEED) np.random.shuffle(idx) X = X[idx] y = y[idx]

这段代码是对iris数据集中提取的特征和标签进行重排。首先使用numpy的arange函数生成一个长度为X.shape[0]的一维数组idx，其中X.shape[0]是数据集X的行数，也就是样本数量。接着使用numpy的random模块设定随机数种子RANDOM_SEED，并调用shuffle函数对idx数组进行随机重排。最后，将特征和标签按照新的顺序重排，以便在后续的训练和测试中使用。这样做的目的通常是为了尽可能避免模型对数据集的顺序依赖，从而提高模型的泛化能力。