Python 中 numpy.random 和 random.random 的性能差异

Question

我想看看我的神经网络中哪个随机数生成器包更快。

我目前正在从 github 更改代码，其中 numpy.random 和 random 包都用于生成随机整数、随机选择、随机样本等。

我更改此代码的原因是出于研究目的，我想设置一个全局种子，以便能够比较不同超参数设置的准确性性能。问题是，此时我必须为 random 包和 numpy 包设置 2 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绘图可能会更快地相互关联。

但是，我不知道哪个包的性能更好（就速度而言）：numpy 或 random。所以我想为这两个包找到与完全相同的 Mersenne Twister 序列相对应的种子。这样，两个模型的图纸是相同的，因此每个梯度下降步骤中的迭代次数也相同，导致速度差异仅由我使用的包引起。

我找不到任何关于种子对的任何文档，这些种子对最终以相同的随机数序列用于两个包，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))

但正如预期的那样，这并没有真正奏效。

Answer 1

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

就种子而言：您可以使用来自numpy.random 的set_state 和get_state 函数（在python 中random 称为getstate 和getstate 和setstate）并传递状态从一个到另一个。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）。请参阅 numpy.random.get_state() 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

在效率方面：这取决于你想做什么，但 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)

在“随机性”方面，numpy 是（根据他们的docs），也更好：

注意：Python stdlib 模块“random”还包含一个 Mersenne Twister 伪随机数生成器，其中包含许多方法 与RandomState 中提供的类似。 RandomState, 除了支持 NumPy 之外，它还有一个优点是它提供了很多 更多的概率分布可供选择。

Answer 2

考虑以下肮脏的黑客行为：

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

不确定这种方式在两种实现的所有可能性中是否真的一致。

Answer 3

这个post的重复

答案取决于需求：
- 密码学/安全：秘密
- 科学研究：numpy
- 常用：随机