Tạo số ngẫu nhiên với NumPy
Dùng Generator của NumPy để sinh số nguyên và số thực ngẫu nhiên, kèm seed để lần chạy nào cũng ra cùng kết quả.
- np.random.default_rng(seed)
- integers(), random() và normal()
- Vì sao seed giúp kết quả lặp lại được
- 1
seed = 42Cố định điểm bắt đầu - 2
integers(1, 11, size=5)Lấy năm số nguyên - 3
[1 8 7 5 5]Lần chạy nào cũng ra như vậy
Một bộ sinh có seed
Vấn đề
Mô phỏng, trò chơi, lấy mẫu và kiểm thử đều cần số ngẫu nhiên. Khi kiểm thử và dạy học, bạn còn muốn lần chạy nào cũng ra đúng những số ngẫu nhiên đó, để kiểm tra và lặp lại được kết quả.
Hình dung đời thường
Bộ sinh số ngẫu nhiên có seed giống một chiếc máy gieo xúc xắc 10 mặt, bắt đầu từ một con số do bạn đặt. Đặt cùng một con số khởi đầu (seed), máy sẽ gieo lại đúng dãy kết quả đó trong mọi lần chạy. Đổi seed thì dãy kết quả cũng đổi. Và như mọi xúc xắc, một mặt có thể ra hai lần.
default_rng(seed=42)🎛️ Đặt con số khởi đầu của máy là 42integers(low=1, high=11, size=5)🎲 Gieo năm số từ 1 đến 10high=11🚫 Chính giá trị high không bao giờ được gieo ravalues📋 [1 8 7 5 5], lần chạy nào cũng vậyBộ sinh số ngẫu nhiên tạo ra các giá trị trông như ngẫu nhiên; đặt cho nó một seed (hạt giống) thì lần nào nó cũng tạo ra cùng một dãy, giúp kết quả lặp lại được.
Những điểm quan trọng
np.random.default_rng(seed=42)tạo một bộ sinh với seed cố định.integers(low=1, high=11, size=5)rút năm số nguyên từ 1 đến 10.highkhông được tính, nên số 11 không bao giờ xuất hiện.- Nhờ có seed, lần chạy nào
valuescũng là[1 8 7 5 5]; không có seed thì kết quả sẽ thay đổi.
Khi nào nên sử dụng?
- Mô phỏng như trò chơi xúc xắc hay bước đi ngẫu nhiên.
- Lấy mẫu ngẫu nhiên và chia tập huấn luyện/kiểm tra trong khoa học dữ liệu.
- Kiểm thử và ví dụ lặp lại được, bằng cách cố định seed.
Khi nào chưa cần
- Mật khẩu, token hay bất cứ thứ gì liên quan bảo mật: dùng module
secrets. - Chỉ cần chọn ngẫu nhiên một lần trong Python thuần: module
randomlà đủ.
Code ví dụ
import numpy as np
generator = np.random.default_rng(seed=42)
values = generator.integers(low=1, high=11, size=5)
print(values)
Kết quả khi chạy
[1 8 7 5 5]
Giải thích code
Hàm np.random.default_rng(seed=42) tạo một đối tượng Generator, đây là cách được NumPy khuyến nghị hiện nay. Phương thức integers(low=1, high=11, size=5) tạo 5 số nguyên từ 1 đến 10, vì giá trị high không được tính. Do seed cố định, mỗi lần chạy đều cho ra cùng kết quả [1 8 7 5 5].
Thay đổi giá trị và chạy chương trình bằng trình chạy Python online của CodeUtility mà không cần cài Python.
Bài tập mở rộng
Hãy thử chỉnh sửa code theo các gợi ý dưới đây. Tự thay đổi và quan sát kết quả sẽ giúp bạn hiểu bài sâu hơn nhiều so với chỉ đọc code.
- Thay đổi kích thước (shape) và kiểu dữ liệu (dtype) của mảng đầu vào.
- Thử với số âm, số thực và giá trị bị thiếu.
- Áp dụng cùng thao tác trên một mảng nhiều chiều lớn hơn và đo thời gian chạy.
Lỗi hay gặp
Tưởng high được tính
integers(1, 10) không bao giờ trả về 10.
generator.integers(low=1, high=10, size=5) # 1 to 9
generator.integers(low=1, high=11, size=5) # 1 to 10
Bạn học xong bài này chưa?
Đánh dấu đã học để theo dõi tiến độ của bạn.
Luyện tập với thử thách
Áp dụng kiến thức của bài học này để giải một bài toán thực tế. Mỗi thử thách chạy ngay trên trình duyệt, có kiểm thử tức thì và AI nhận xét.
- Bài toán máy đánh bạc nhiều tay với epsilon-greedy Cân bằng giữa khám phá và khai thác trên bài toán multi-armed bandit bằng cách chọn hành động epsilon-greedy. Dễ
- Lấy mẫu với temperature và top-k Chọn token tiếp theo như mô hình ngôn ngữ: giữ k logit cao nhất, áp dụng temperature rồi lấy mẫu. Trung bình