在机器学习和深度学习中，随机数生成经常被用到，比如在参数初始化、生成样本数据、数据扩增等等。然而，为了实现可重复性和可复现性，我们经常需要控制随机数生成的过程。Theano是一个开源的数值计算库，可以用于高效地定义、优化和评估数学表达式，特别适用于大规模的机器学习任务。Theano提供了一个共享随机数流生成器（shared random streams）的实用技巧，可以帮助我们实现对随机数生成过程的控制。
首先，导入相应的库和模块：
import numpy as np import theano import theano.tensor as T from theano.sandbox.rng_mrg import MRG_RandomStreams
接下来，我们可以创建共享随机数流生成器：
# 创建共享随机数流生成器 rng = np.random.RandomState(123) srng = MRG_RandomStreams(rng.randint(2 ** 30))
在这个例子中，我们使用numpy库中的随机数生成器创建一个随机数流生成器rng。然后，我们使用MRG_RandomStreams类创建一个共享随机数流生成器srng。
使用共享随机数流生成器，我们可以生成符合特定分布的随机数：
# 生成N(0, 1)的随机数 random_numbers = srng.normal(size=(10,))
在这个例子中，我们使用共享随机数流生成器srng生成10个符合标准正态分布N(0, 1)的随机数。
共享随机数流生成器还可以用于生成随机数样本，比如二项分布、泊松分布等：
# 生成二项分布的随机数样本 binomial_samples = srng.binomial(n=1, p=0.5, size=(10,)) # 生成泊松分布的随机数样本 poisson_samples = srng.poisson(lam=5, size=(10,))
在这个例子中，我们使用共享随机数流生成器srng生成10个二项分布的随机数样本，其中n是试验次数，p是成功概率。
共享随机数流生成器还可以用于生成随机的数学表达式：
# 随机的数学表达式 random_expression = T.sum(srng.uniform(size=(10,)))
在这个例子中，我们使用共享随机数流生成器srng生成一个由10个随机数相加而成的数学表达式。
最后，我们可以编译和运行代码来获取结果：
# 编译和运行代码 f = theano.function([], [random_numbers, binomial_samples, poisson_samples, random_expression]) result = f()
在这个例子中，我们使用theano.function编译了代码，并使用f()来运行代码。运行结果被保存在result中，可以使用result来访问生成的随机数和随机数样本。
总结来说，Theano中的共享随机数流生成器为我们提供了一个强大而灵活的工具，可以用于生成符合特定分布的随机数和随机数样本，以及用于生成随机的数学表达式。这对于实现随机数相关的任务非常重要，比如参数初始化、生成样本数据和数据扩增等等。