相关疑难解决方法(0)

我有一个Python的大脚本.我在其他人的代码中激发了自己的灵感,所以我最终使用了numpy.random模块来处理某些事情(例如,用于创建从二项分布中获取的随机数组),在其他地方我使用该模块random.random.

有人可以告诉我两者之间的主要区别吗？看看这两者中的每一个的doc网页,在我看来,numpy.random只有更多的方法,但我不清楚随机数的生成是如何不同的.

我之所以要问的原因是因为我需要为调试目的播种我的主程序.但除非我在导入的所有模块中使用相同的随机数生成器,否则它不起作用,这是正确的吗？

另外,我在这里读到了另一篇文章,关于不使用的讨论numpy.random.seed(),但我真的不明白为什么这是一个坏主意.如果有人解释我为什么会这样,我真的很感激.

我正在使用Python使用虚线为点画生成图像。破折号的周期是恒定的，改变的是破折号/空间比。这将产生如下内容：

但是，在该图像中，虚线具有统一的原点，这会产生难看的垂直装订线。因此，我尝试将原点随机化以去除排水沟。这种工作，但有一个明显的模式：

我想知道这是从哪里来的，所以我制作了一个非常简单的用虚线堆叠的测试用例：

• 冲刺率：50％
• 破折号20px
• 使用random.uniform(-10.,+10.)（*）（初始值后，原点从-10px变为+ 10pxrandom.seed()

并增加了随机性：

因此仍然存在模式。我不明白的是，要获得可见的装订线，您需要使6个或7个连续值落入同一范围内（例如，总范围的一半），这应该是1/64的概率，但是似乎发生了很多通常会在200行中生成。

我误会了吗？仅仅是我们的人类大脑正在看到没有模式的模式吗？是否有更好的方法来生成更“视觉上随机的”东西（python 2.7，最好不安装任何东西）？

（*）在这种情况下部分像素有效

附件：我使用的代码（这是一个Gimp脚本）：

#!/usr/bin/env python
# -*- coding: iso-8859-15 -*-

# Python script for Gimp (requires Gimp 2.10)
# Run on a 400x400 image to see something without having to wait too much
# Menu entry is in "Test" submenu of image menubar

import random,traceback
from gimpfu import *

def constant(minShift,maxShift):
    return 0

def triangle(minShift,maxShift):
    return random.triangular(minShift,maxShift)

def uniform(minShift,maxShift):
    return random.uniform(minShift,maxShift)

def gauss(minShift,maxShift):
    return random.gauss((minShift+maxShift)/2,(maxShift-minShift)/2)

variants=[('Constant',constant),('Triangle',triangle),('Uniform',uniform),('Gauss',gauss)]

def …

我在使用Pandas random_state的地方有以下代码

randomState = 123
sampleSize = 750
df = pd.read_csv(filePath, delim_whitespace=True)
df_s = df.sample(n=sampleSize, random_state=randomState)

这将生成一个示例数据框df_s。每次我使用相同的代码运行时randomState，都会得到相同的示例df_s。当我从改变值123，以12样品的变化一样，所以我想这是什么random_state呢。

我的愚蠢问题：数量变化如何影响样本变化？我阅读了Pandas文档 和Numpy文档，但看不清图片。

任何带有示例的简单解释将不胜感激。

我正在使用 aws ec2 为多标签分类任务训练模型。训练后，我在同一台机器上测试了模型，结果很好（准确度为 90+%）。但是，当我将保存的模型导入本地机器（没有 GPU）后，它给出了不同的结果（准确度小于 5%）。关于为什么会发生这种情况的任何建议？谢谢。

TL;DR：当从 GPU机器转移到 CPU时，Keras/tensorflow模型会产生不同的结果。