NumPy 现在建议新代码使用defacult_rng()
实例而不是新代码这一事实numpy.random
让我开始思考应该如何使用它来产生良好的结果,无论是性能副还是统计。
第一个例子是我最初想写的:
import numpy as np
class fancy_name():
def __init__(self):
self.rg = np.random.default_rng()
self.gamma_shape = 1.0
self.gamma_scale = 1.0
def public_method(self, input):
# Do intelligent stuff with input
return self.rg.gamma(self.gamma_shape, slef.gamma_scale)
但我也考虑过在每个函数调用中创建一个新实例:
import numpy as np
class fancy_name():
def __init__(self):
self.gamma_shape = 1.0
self.gamma_scale = 1.0
def public_method(self, input):
# Do intelligent stuff with input
rg = np.random.default_rng()
return rg.gamma(self.gamma_shape, slef.gamma_scale)
第三种选择是将 rng 作为函数调用中的参数传递。这样,同样的 rng 也可以用于代码的其他部分。
这用于模拟环境中,该环境将经常调用以进行采样,例如转换时间。
我想问题是这三种方法中的任何一种是否都有论据,是否存在某种实践?
此外,对使用这些随机数生成器的更深入解释的任何参考(NumPy 文档和随机采样文章除外)都非常有趣!
default_rng()
不是单身人士。它使一个新的发电机背靠一个新的默认BitGenerator类的实例。引用文档:
使用默认的 BitGenerator (PCG64)构造一个新的Generator。
...
如果种子不是 BitGenerator 或 Generator,则实例化一个新的BitGenerator。此函数不管理默认全局实例。
这也可以通过经验进行测试:
In [1]: import numpy
In [2]: numpy.random.default_rng() is numpy.random.default_rng()
Out[2]: False
这是昂贵的。你通常应该default_rng()
在你的程序中调用一次并将生成器传递给任何需要它的东西。(是的,这很尴尬。)
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句