系统之间的随机种子是否兼容？

Question

我使用 python 的 sklearn 包制作了一个随机森林模型，我将种子设置为例如 1234。为了生产模型，我们使用 pyspark。如果我要传递相同的超参数和相同的种子值，即 1234，它会得到相同的结果吗？

基本上，随机种子数在不同系统之间是否有效？

Answer 1

在过去，PRNG 的可移植性不是给定的。机器架构、溢出处理以及所使用的算法和实现它的语言的实现差异意味着结果可能而且确实会有所不同，即使它们名义上基于相同的数学公式。 1979 年，Schrage（参见第 1194 页 here）创建了一个便携式素模乘法线性同余生成器，并表明它可以以独立于机器和语言的方式实现“......只要机器可以表示所有整数在区间 -2³¹ 到 2³ - 1."他给出了一个具体的检查，实施者可以用来测试他们的实施，指定第 1000^th 个结果应该被赋予特定的种子值。自从 Schrage 的工作以来，设计独立于平台和语言的算法已成为常态。

Python 的默认生成器是 Mersenne twister，Mersenne Twister home page 上提供了多种平台和语言无关的 MT 实现。如果 Python 将来切换其默认生成器，则无法保证兼容性，除非您使用上述 link 中可用的独立 Python 实现之一。

Answer 2

嗯，这正是真正可以通过提供的一些实验和代码片段来解决的问题...

不管怎样，似乎总的答案是肯定的没有：不仅在Python和Spark MLlib之间，甚至在Spark子模块之间，或者在Python 和 Numpy...

这是一些可重现的代码，Databricks community cloud 中的运行（其中 pyspark 已导入且相关上下文已初始化）：

import sys

import random
import pandas as pd
import numpy as np
from pyspark.sql.functions import rand, randn
from pyspark.mllib import random as r  # avoid conflict with native Python random module

print("Spark version " + spark.version)
print("Python version %s.%s.%s" % sys.version_info[:3])
print("Numpy version " + np.version.version)

# Spark version 2.3.1 
# Python version 3.5.2 
# Numpy version 1.11.1

s = 1234 # RNG seed


# Spark SQL random module:
spark_df = sqlContext.range(0, 10)
spark_df = spark_df.select("id", randn(seed=s).alias("normal"), rand(seed=s).alias("uniform"))


# Python 3 random module:
random.seed(s)
x = [random.uniform(0,1) for i in range(10)] # random.rand() gives exact same results

random.seed(s)
y = [random.normalvariate(0,1) for i in range(10)]

df = pd.DataFrame({'uniform':x, 'normal':y})


# numpy random module
np.random.seed(s)
xx = np.random.uniform(size=10)  # again, np.random.rand(10) gives exact same results

np.random.seed(s)
yy = np.random.randn(10)

numpy_df = pd.DataFrame({'uniform':xx, 'normal':yy})


# Spark MLlib random module
rdd_uniform = r.RandomRDDs.uniformRDD(sc, 10, seed=s).collect()
rdd_normal = r.RandomRDDs.normalRDD(sc, 10, seed=s).collect()

rdd_df = pd.DataFrame({'uniform':rdd_uniform, 'normal':rdd_normal})

这里是结果：

本机 Python 3:

# df

     normal  uniform
0  1.430825 0.966454
1  1.803801 0.440733 
2  0.321290 0.007491 
3  0.599006 0.910976 
4 -0.700891 0.939269 
5  0.233350 0.582228
6 -0.613906 0.671563
7 -1.622382 0.083938
8  0.131975 0.766481
9  0.191054 0.236810

麻木的：

# numpy_df

     normal  uniform
0  0.471435 0.191519
1 -1.190976 0.622109 
2  1.432707 0.437728
3 -0.312652 0.785359
4 -0.720589 0.779976
5  0.887163 0.272593
6  0.859588 0.276464 
7 -0.636524 0.801872 
8  0.015696 0.958139
9 -2.242685 0.875933

火花SQL:

# spark_df.show()

+---+--------------------+-------------------+ 
| id|              normal|            uniform|
+---+--------------------+-------------------+
|  0|  0.9707422835368164| 0.9499610869333489| 
|  1|  0.3641589200870126| 0.9682554532421536|
|  2|-0.22282955491417034|0.20293463923130883|
|  3|-0.00607734375219...|0.49540111648680385|
|  4|  -0.603246393509015|0.04350782074761239|
|  5|-0.12066287904491797|0.09390549680302918|
|  6|  0.2899567922101867| 0.6789838400775526|
|  7|  0.5827830892516723| 0.6560703836291193|
|  8|   1.351649207673346| 0.7750229279150739|
|  9|  0.5286035772104091| 0.6075560897646175|
+---+--------------------+-------------------+

Spark MLlib:

# rdd_df

     normal  uniform 
0 -0.957840 0.259282 
1  0.742598 0.674052 
2  0.225768 0.707127 
3  1.109644 0.850683 
4 -0.269745 0.414752 
5 -0.148916 0.494394 
6  0.172857 0.724337
7 -0.276485 0.252977
8 -0.963518 0.356758
9  1.366452 0.703145

当然，即使上述结果相同，也不能保证 scikit-learn 中随机森林的结果与完全相同pyspark 随机森林的结果...

尽管答案是否定的，但我真的看不出这会如何影响任何 ML 系统的部署，即如果结果取决于至关重要在RNG上，那肯定是哪里不对...

系统之间的随机种子是否兼容？

Are random seeds compatible between systems?

python

random

scikit-learn

pyspark

apache-spark-mllib