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

Question

我想看看我的神经网络中哪个随机数生成器包更快。

我目前正在更改 github 中的代码，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度性能。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关联。

但是，我不知道哪个包会表现得更好（在速度方面）：numpy 或 random。因此，我想找到与完全相同的 Mersenne Twister 序列对应的两个包的种子。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文档，这些种子对两个包都以相同的随机数序列结束，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))

但这并没有像预期的那样真正奏效。

Answer 1

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

就种子而言：您可以使用set_stateandget_state函数numpy.random（在 python 中random称为getstateand 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）。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：这取决于您想要做什么，但 numpy 通常更好，因为您可以创建元素数组而无需循环：

%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 stdlib 模块“random”还包含一个 Mersenne Twister 伪随机数生成器，其中包含许多与RandomState. RandomState，除了 NumPy 感知之外，还有一个优点是它提供了更多的概率分布可供选择。