不管是再深度学习还是在其他工作中，相信大家经常会碰到seed()函数，一定有许多同学搞不清楚其作用，传入的参数数值（即seed(num),num对应的数字）应该是多少。下面一一给大家解答。

比较正经的定义

seed( ) 用于指定随机数生成时所用算法开始的整数值，如果使用相同的seed( )值，则每次生成的随即数都相同

白话解释

当使用seed(num)函数，且给定同一个num值，获取一个随机数，不管执行多少次，得到的均是同一个数

import numpy as np
np.random.seed(1)
a = np.random.random()
print(a)

如执行上述代码，最终得到的结果如下（在不同的电脑上也是同样的结果，是不是很纳闷，明明取得是随机数，但是运行这段代码都会得到这个结果？甚至开始怀疑random的作用？ 下面会逐步解答这一函数的妙处,以及为什么中文名叫做种子函数）

0.417022004702574

当先设置一个seed(num)，且传入一个给定的num值，对于给定的for序列，尝试打印出一组随机数

import numpy as np
np.random.seed(1)
for i in range(0,5):
    a=np.random.randn()
    print(a)

不管执行多少次，得到的输出均如下

1.6243453636632417
-0.6117564136500754
-0.5281717522634557
-1.0729686221561705
0.8654076293246785

改变循环迭代次数分别输出3个数和8个数

1.6243453636632417
-0.6117564136500754
-0.5281717522634557

1.6243453636632417
-0.6117564136500754
-0.5281717522634557
-1.0729686221561705
0.8654076293246785
-2.3015386968802827
1.74481176421648
-0.7612069008951028

是否发现了输出的3个数是8个数的前3个。这个操作就像有一个种子（seed()函数传入的参数），当我们得到这个种子时，不同的人使用它去获得随机数都会得到相同的结果。
也可以这样理解，在随机数这块，那些随机数每次并不是真正地随机生成，而是已经早已存在并且有对应的排列，如果我们利用seed(num)函数，且num=None(即不给一个数值)，才会在这些已经给定的随机数中随机选择一个，若给定了一个num值，相当于给定了一个起始点，每次从这个起始点出发，顺着往后取值，将得到相同的数。

所以这到底有什么作用呢？

seed(num) 在一些论文代码中常见，想想，如果不同的人编写代码去初始化模型的参数，而在模型学习的过程中，主要采用一些梯度下降的方法来对模型的参数进行优化，具有一定的随机性。同时模型参数的初始值也对模型的性能有着较大的影响，初始值选取的好模型能够迅速收敛，为了减少复现原作者论文代码带来的随机性，通常会采用相同的种子编码来获得相同的初始值。