在阅读Transfer Learning with MATLab 时，我遇到了一段代码，上面写着...
rng(2016) % For reproducibility
convnet = trainNetwork(trainDigitData,layers,options);
...在训练网络之前，任何尝试该代码的人都可以完全按照示例中给出的方式重现结果。我想知道使用rng(seed_value) 函数生成伪随机数如何有助于整个结果范围的可重复性？
【问题讨论】：
不是随机数生成，是随机数生成器种子。
没有像随机数这样的东西，只有伪随机数，表现得几乎是随机的数字，通常来自一些复杂的数学函数，通常需要初始值的函数。通常，计算机从您 PC 的微芯片中的时间寄存器中获取此初始值，从而“确保”随机性。
但是，如果您有一个基于随机数的算法（例如 NN），那么当您想要分享您的结果时，重现性可能会成为问题。将确保重新运行您的代码的人得到不同的结果，因为随机性是算法的一部分。但是，您可以告诉随机数生成器不要从随机获取的种子开始，而是从固定种子开始。这将确保虽然生成的数字在它们之间是随机的，但它们每次都是相同的（例如，[3 84 12 21 43 6] 可能是随机输出，但 ti 将始终相同）。
通过为您的 NN 设置种子，您可以确保对于相同的数据，它会输出相同的结果，因此您可以使您的代码“可重现”，即其他人可以运行您的代码并获得完全相同的结果。
作为测试，我建议您尝试以下方法：
rand(1,10)
rand(1,10)
然后试试
rng(42)
rand(1,10)
rng(42)
rand(1,10)
【讨论】：
因为有时使用相同的随机数是好的，这就是 matlab says 关于那个
根据需要同时设置种子和生成器类型：
Ensure that the behavior of code you write today returns the same results when you run that code in a future MATLAB® release. Ensure that the behavior of code you wrote in a previous MATLAB release returns the same results using the current release. Repeat random numbers in your code after running someone else's random number code
这是重播种子的要点，并生成相同的随机数。 matlab 在两篇好文章中指出了这一点，一篇为repeating numbers，另一篇为different numbers
【讨论】：
您不想从权重全部为零开始，因此在初始化阶段您要给权重一些随机值。在学习过程的后期，或者在您提供数据的方式中，可能还有其他随机值涉及搜索最小值。 所以所有神经网络学习过程的真正输入是你的数据和随机数生成器。 如果它们是相同的，那么所有将是相同的。 'rng' 命令将随机数生成器置于预定义状态，因此它会生成相同的数字序列。
【讨论】：
anquegi 的回答，差不多回答了你的问题，所以这篇文章只是为了详细说明一下。
当你要求一个随机数时，MATLAB 真正做的是它生成一个伪随机数，它的分布为 U(0,1)（即 [0,1] 上的均匀分布）这是通过一些确定性公式，通常类似于，请参阅Linear congruential generator:
X_{n+1} = (a X_{n} + b) mod M
然后通过U = X_{n+1}/M得到一个统一数。
但是，有一个问题，如果你想要 X_{1}，那么你需要 X_{0}。您需要初始化生成器，这是种子。这也意味着，一旦指定了 X_{0}，您每次都会绘制相同的随机数。尝试打开一个新的 MATLAB 实例，运行 randn，关闭 MATLAB，再次打开它并再次运行 randn。这将是相同的数字。这是因为 MATLAB 在打开时总是使用相同的种子。
因此，您对 rng(2016) 所做的就是“重置”生成器，并输入 X_{0} = 2016，这样您现在就知道您要求的所有数字，从而重现结果。
【讨论】：