时间戳

首页 > 解决方案 > 为什么使用 Numba xoroshiro128p 得到与随机数组相同的数字？

python - 为什么使用 Numba xoroshiro128p 得到与随机数组相同的数字？

问题描述

为什么我使用 Numba 得到与随机数组相同的数字xoroshiro128p？我想要和 Numpy random array 一样np.random.rand。

from numba import cuda
from numba.cuda.random import create_xoroshiro128p_states, xoroshiro128p_uniform_float32

import numpy as np

@cuda.jit
def rand_array(rng_states, out):
    thread_id = cuda.grid(1)
    x = xoroshiro128p_uniform_float32(rng_states, thread_id)
    out[thread_id] = x


threads_per_block = 4
blocks = 3 
rng_states = create_xoroshiro128p_states(threads_per_block * blocks, seed=1)
out = np.zeros(threads_per_block * blocks, dtype=np.float32)

rand_array[blocks, threads_per_block](rng_states, out)

rar = np.random.rand(12).reshape(blocks, threads_per_block)

print(out.reshape(blocks,threads_per_block))
print()
print(rar.reshape(blocks,threads_per_block))

每次运行它，我都会看到相同的数字。不过np.random.rand效果很好。预先感谢您的帮助！

标签： pythonrandomgpu

解决方案

发送种子 = 1，几乎可以肯定意味着随机数生成器（毕竟只是一个复杂的算法）从序列中完全相同的位置开始。因此生成相同的随机数序列。

以完全可预测的方式生成相同序列的能力在测试中非常有用，但在生产环境中，您需要更不可预测的种子

尝试 ：

rng_states = create_xoroshiro128p_states(threads_per_block * blocks, seed=time.time())

由于时钟时间是不可预测的，因此序列将从不同的点开始生成，并且 rng_states 的可预测性将大大降低。显然，您需要import time在脚本的开头。显然，这意味着您的代码现在每次都会生成一个随机序列，这将使测试变得困难。

推荐阅读