Метод from_seed

Метод from_seed класса Generator создает генератор случайных чисел с детерминированным состоянием. Первым параметром метод принимает зерно (seed) в виде целого числа или списка целых чисел. Вторым параметром можно передать алгоритм генерации. Такой генератор выдает одинаковые последовательности случайных чисел при каждом запуске, что важно для воспроизводимости экспериментов.

Синтаксис

tf.random.Generator.from_seed(seed, alg="philox")

Пример

Давайте создадим генератор с зерном 0 и сгенерируем тензор нормального распределения:

import tensorflow as tf

gen = tf.random.Generator.from_seed(0)
t = gen.normal([5])
print(t)

Результат выполнения кода:

tf.Tensor([ 0.47570992 -1.1072984 -0.42309964 1.0127661 -1.2355417 ], shape=(5,), dtype=float32)

Пример

Давайте убедимся, что два генератора с одинаковым зерном выдают одинаковые значения:

<+python+> import tensorflow as tf gen1 = tf.random.Generator.from_seed(42) gen2 = tf.random.Generator.from_seed(42) t1 = gen1.uniform([5]) t2 = gen2.uniform([5]) print(t1) print(t2) print(tf.reduce_all(t1 == t2)) <-python+>

Результат выполнения кода:

tf.Tensor([0.8172872  0.3795892  0.28274763 0.35754597 0.57692456], shape=(5,), dtype=float32)
tf.Tensor([0.8172872  0.3795892  0.28274763 0.35754597 0.57692456], shape=(5,), dtype=float32)
tf.Tensor(True, shape=(), dtype=bool)

Пример

Давайте создадим генератор с зерном в виде списка чисел и алгоритмом philox:

import tensorflow as tf

gen = tf.random.Generator.from_seed([1, 2, 3], alg="philox")
t = gen.normal([5])
print(t)

Результат выполнения кода:

tf.Tensor([-0.5188205 0.59844387 -1.4939874 0.8721514 1.0104897 ], shape=(5,), dtype=float32)

Смотрите также

класс Generator,
который представляет генератор случайных чисел
метод normal,
который генерирует значения нормального распределения
метод uniform,
который генерирует значения равномерного распределения
метод reset_from_seed,
который сбрасывает состояние генератора по зерну