Генерация случайных чисел в NumPy
В этом уроке вы будете генерировать воспроизводимые случайные целые числа с помощью генератора Generator из NumPy.
Введение
Какую задачу это решает
Симуляциям, играм, выборкам и тестам нужны случайные числа. А для тестов и обучения часто нужно, чтобы при каждом запуске выпадали одни и те же «случайные» числа: тогда результаты можно проверить и повторить.
Пример из жизни
Генератор случайных чисел с seed похож на автомат, который бросает десятигранный кубик, начиная с заданного вами числа. Задайте то же стартовое число (seed), и автомат каждый раз повторит в точности ту же серию бросков. Поменяйте seed, и серия будет другой. Как и у любого кубика, одно и то же число может выпасть дважды.
default_rng(seed=42)🎛️ Задать автомату стартовое число 42integers(low=1, high=11, size=5)🎲 Бросить пять раз: числа от 1 до 10high=11🚫 Само значение high никогда не выпадаетvalues📋 [1 8 7 5 5] при каждом запускеГенератор случайных чисел выдаёт значения, которые выглядят случайными. Если задать ему seed (начальное значение), он каждый раз выдаёт одну и ту же последовательность, и результаты становятся воспроизводимыми.
Главное
np.random.default_rng(seed=42)создаёт генератор с фиксированным seed.integers(low=1, high=11, size=5)вытягивает пять целых чисел от 1 до 10.highне включается, поэтому 11 никогда не выпадает.- Благодаря seed
valuesпри каждом запуске равен[1 8 7 5 5]. Без seed значения менялись бы.
Когда это нужно?
- Симуляции, например игры в кости или случайные блуждания.
- Случайные выборки и разбиение на обучающую и тестовую части в анализе данных.
- Воспроизводимые тесты и примеры с фиксированным seed.
Когда это не нужно
- Пароли, токены и всё, что связано с безопасностью: используйте модуль
secrets. - Один случайный выбор в обычном Python: хватит модуля
random.
Пример кода
import numpy as np
generator = np.random.default_rng(seed=42)
values = generator.integers(low=1, high=11, size=5)
print(values)
Результат выполнения
[1 8 7 5 5]
Разбор кода
Функция np.random.default_rng(seed=42) создаёт объект Generator, это рекомендуемый сейчас в NumPy способ. Метод integers(low=1, high=11, size=5) генерирует 5 целых чисел от 1 до 10, потому что значение high не включается. Зерно зафиксировано, поэтому при каждом запуске результат одинаковый: [1 8 7 5 5].
Измените значения и запустите программу в онлайн-компиляторе Python CodeUtility без локальной установки Python.
Упражнения для практики
Попробуйте изменить код по подсказкам ниже. Если менять код и смотреть на результат, урок запомнится гораздо лучше, чем при простом чтении.
- Измените форму (shape) и тип данных (dtype) входного массива.
- Проверьте работу на отрицательных и дробных числах и пропущенных значениях.
- Примените ту же операцию к большему многомерному массиву и измерьте время.
Частые ошибки
Считать, что high включается
integers(1, 10) никогда не возвращает 10.
generator.integers(low=1, high=10, size=5) # 1 to 9
generator.integers(low=1, high=11, size=5) # 1 to 10
Закончили этот урок?
Отметьте его как изученный, чтобы следить за прогрессом.
Попрактикуйтесь на задаче
Примените материал этого урока к реальной задаче. Каждая задача запускается в браузере, с мгновенными тестами и разбором от ИИ.
- Многорукий бандит с эпсилон-жадной стратегией Найдите баланс между исследованием и использованием в задаче многорукого бандита с эпсилон-жадным выбором действий. Легко
- Сэмплирование с температурой и top-k Выберите следующий токен как языковая модель: оставьте k наибольших логитов, примените температуру и сделайте выборку. Средне