如何使用新的 NumPy 随机数生成器？

Question

NumPy 现在建议新代码使用 defacult_rng() 实例而不是新代码的 numpy.random 这一事实让我开始思考应该如何使用它来产生良好的结果，这两个性能副和统计。

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 作为参数传递给函数调用。这样，相同的 rng 也可以用于代码的其他部分。

这用于模拟环境中，该模拟环境将经常被调用以进行采样，例如过渡时间。

我想问题是这三种方法中的任何一种是否有论据，是否存在某种实践？

此外，任何对使用这些随机数生成器的更深入解释的参考（NumPy 文档和随机采样文章除外）都非常有趣！

Answer 1

default_rng() 不是单身人士。它使 new 生成器由默认 BitGenerator class 的 new 实例支持。引用 docs:

Construct a new Generator with the default BitGenerator (PCG64).

...

If seed is not a BitGenerator or a Generator, a new BitGenerator is instantiated. This function does not manage a default global instance.

这也可以通过经验来检验：

In [1]: import numpy

In [2]: numpy.random.default_rng() is numpy.random.default_rng()
Out[2]: False

这很贵。你通常应该在你的程序中调用一次 default_rng() 并将生成器传递给任何需要它的东西。（是的，这很尴尬。）

如何使用新的 NumPy 随机数生成器？

How to use the new NumPy random number generator?

python

random

numpy-random