我有一个需要的应用程序 numpy.random.normal
但来自神秘的 PRNG 源。 Numpy 似乎没有提供这个选项。
我能找到的最好的是numpy.random.entropy.random_entropy
但这只是 uint32 并且有问题,对于大型数组,即使 urandom 是非阻塞的,您也会收到“RuntimeError:无法从系统加密提供程序读取”...
但是您可以这样做:np.frombuffer(bytearray(os.urandom(1000*1000*4)), dtype=np.uint32).astype(np.double).reshape(1000, 1000)
但我仍然面临着如何将其转换为高斯分布而不搞砸任何事情的问题。
有人知道有解决办法吗? Google 被来自/dev/urandom 的 numpy 播种所毒害,我不需要播种,我需要 urandom 成为所有随机性的唯一来源。
最佳答案
我遇到了scipy.stats.rvs_ratio_uniforms
并根据我的目的修改了他们的代码。尽管从加密源中采样了两倍的随机性,但它仅比 np.random.normal
慢 3 倍。
import numpy as np
import os
def uniform_0_1(size):
return np.frombuffer(bytearray(os.urandom(size*4)), dtype=np.uint32).astype(np.float) / 2**32
def normal(mu, sigma, size):
bmp = np.sqrt(2.0/np.exp(1.0)) # about 0.8577638849607068
size1d = tuple(np.atleast_1d(size))
N = np.prod(size1d) # number of rvs needed, reshape upon return
x = np.zeros(N)
simulated = 0
while simulated < N:
k = N - simulated
a = uniform_0_1(size=k)
b = (2.0 * uniform_0_1(size=k) - 1.0) * bmp
accept = (b**2 <= - 4 * a**2 * np.log(a))
num_accept = np.sum(accept)
if num_accept > 0:
x[simulated : (simulated + num_accept)] = (b[accept] * sigma / a[accept]) + mu
simulated += num_accept
return np.reshape(x, size1d)
但有一个担心,numpy.random.random_sample
:返回半开区间 [0.0, 1.0) 中的随机 float 。
我不确定如何用我的 Uniform_0_1 实现这一保证(绝不是 1.0),也不知道它是否重要。
关于python - Numpy 高斯来自/dev/urandom,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/59971737/