我在程序开始时设置了numpy随机种子。在程序执行期间，我使用multiprocessing.Process多次运行函数。该函数使用 numpy 随机函数来绘制随机数。问题是Process获取当前环境的副本。因此，每个进程都是独立运行的，它们都以与父环境相同的随机种子启动。
所以我的问题是我如何与子进程环境共享父环境中 numpy 的随机状态？请注意，我想在工作中使用Process，并且需要使用单独的类并在该类中单独执行import numpy。我尝试使用multiprocessing.Manager来共享随机状态，但似乎事情没有按预期工作，我总是得到相同的结果。另外，如果我将 for 循环移动到drawNumpySamples内部或将其保留在main.py中都没有关系;我仍然无法获得不同的数字，并且随机状态总是相同的。这是我代码的简化版本：
# randomClass.py
import numpy as np
class myClass(self):
def __init__(self, randomSt):
print ('setup the object')
np.random.set_state(randomSt)
def drawNumpySamples(self, idx)
np.random.uniform()
在主文件中：
# main.py
import numpy as np
from multiprocessing import Process, Manager
from randomClass import myClass
np.random.seed(1) # set random seed
mng = Manager()
randomState = mng.list(np.random.get_state())
myC = myClass(randomSt = randomState)
for i in range(10):
myC.drawNumpySamples() # this will always return the same results
注意：我使用Python 3.5。我还在Numpy的GitHub页面上发布了一个问题。只需在此处发送问题链接以供将来参考。
即使你设法让它工作，我认为它也不会做你想要的。一旦有多个进程并行地从相同的随机状态拉取，它们各自到达状态的顺序就不再是确定的，这意味着您的运行实际上将不可重复。可能有办法解决这个问题，但这似乎是一个不平凡的问题。
同时，有一个解决方案可以解决您想要的问题和非确定性问题：
在生成子进程之前，请向 RNG 请求一个随机数，并将其传递给子进程。然后，孩子可以用这个数字播种。然后，每个子项将具有与其他子项不同的随机序列，但如果您使用固定种子重新运行整个应用，则同一子项将获得相同的随机序列。
如果您的主进程执行任何其他可能不确定地依赖于子进程执行的 RNG 工作，则需要在拉取任何其他随机数之前按顺序为所有子进程预生成种子。
正如senderle在评论中指出的那样：如果你不需要多个不同的运行，而只需要一个固定的运行，你甚至不需要从你的种子RNG中提取种子;只需使用一个从1开始的计数器，并为每个新进程递增它，并将其用作种子。我不知道这是否可以接受，但如果可以接受，很难比这更简单。
正如 Amir 在评论中指出的那样：更好的方法是每次生成新进程时绘制一个随机整数，并将该随机整数传递给新进程，以使用该整数设置 numpy 的随机种子。这个整数确实可以来自np.random.randint().
每次获得随机数时，都需要更新Manager的状态：
import numpy as np
from multiprocessing import Manager, Pool, Lock
lock = Lock()
mng = Manager()
state = mng.list(np.random.get_state())
def get_random(_):
with lock:
np.random.set_state(state)
result = np.random.uniform()
state[:] = np.random.get_state()
return result
np.random.seed(1)
result1 = Pool(10).map(get_random, range(10))
# Compare with non-parallel version
np.random.seed(1)
result2 = [np.random.uniform() for _ in range(10)]
# result of Pool.map may be in different order
assert sorted(result1) == sorted(result2)
幸运的是，根据文档，您可以使用get_state访问 numpy 随机数生成器的完整状态，并使用set_state再次设置它。 生成器本身使用 Mersenne Twister 算法(请参阅文档的RandomState部分)。
这意味着你可以做任何你想做的事情，尽管它是否会是好的和有效的完全是一个不同的问题。 正如abarnert指出的那样，无论你如何共享父级的状态——这可以使用Alex Hall的方法，这种方法看起来是正确的——你在每个子级中的排序将取决于每个子级从MT状态机中抽取随机数的顺序。
也许最好为每个孩子构建一个大型伪随机数池，在开始时保存整个生成器的启动状态一次。 然后，每个子级都可以绘制一个 PRNG 值，直到其特定池用完，之后您可以让子级与父级协调下一个池。 父级枚举哪些孩子获得了哪个"池"号码。 代码看起来像这样(请注意，使用next方法将其转换为无限生成器是有意义的)：
class PrngPool(object):
def __init__(self, child_id, shared_state):
self._child_id = child_id
self._shared_state = shared_state
self._numbers = []
def next_number(self):
if not self.numbers:
self._refill()
return self.numbers.pop(0) # XXX inefficient
def _refill(self):
# ... something like Alex Hall's lock/gen/unlock,
# but fill up self._numbers with the next 1000 (or
# however many) numbers after adding our ID and
# the index "n" of which n-through-n+999 numbers
# we took here. Any other child also doing a
# _refill will wait for the lock and get an updated
# index n -- eg, if we got numbers 3000 to 3999,
# the next child will get numbers 4000 to 4999.
这样，通过管理器项(MT 状态和我们的 ID 和索引添加到"已使用"列表中)的通信就没有那么多了。 在该过程结束时，可以看到哪些子使用了哪些 PRNG 值，并在需要时重新生成这些 PRNG 值(请记住记录完整的 MT 内部启动状态！
编辑添加：思考这个问题的方式是这样的：机器翻译实际上不是随机的。 它是周期性的，周期很长。 当您使用任何此类 RNG 时，您的种子只是该时间段内的一个起点。 要获得可重复性，您必须使用非随机数，例如书中的一组。 有一本(虚拟)书，其中包含来自 MT 生成器的每个数字。 我们将写下本书中用于每组计算的哪一页，以便我们稍后可以重新打开这本书并重新进行相同的计算。
您可以使用np.random.SeedSequence.请参阅 https://numpy.org/doc/stable/reference/random/parallel.html：
from numpy.random import SeedSequence, default_rng
ss = SeedSequence(12345)
# Spawn off 10 child SeedSequences to pass to child processes.
child_seeds = ss.spawn(10)
streams = [default_rng(s) for s in child_seeds]
这样，你们每个线程/进程都将获得一个统计上独立的随机生成器。