np.random.get_state()

state = np.random.get_state()

功能：获取随机生成器 np.random的状态
作用：常与np.random.set_state() 搭配使用。使随机生成器random保持相同的状态（state）
备注：具有相同state的随机生成器(random)的随机效果相同。随机生成器random，每执行一次，random的状态（state）就会变化一次，所以每次产生的随机数都不同，或随机操作的效果都不同。而当random的状态（state）不变时，多次执行random的同一操作具有相同的效果。

示例1：通过设置相同的state,使得两次生成的随机数相同

import numpy as np

state1 = np.random.get_state()
num1 = np.random.randint(100)
state2 = np.random.get_state()
num2 = np.random.randint(100)

np.random.set_state(state1)
num_1 = np.random.randint(100)
np.random.set_state(state2)
num_2 = np.random.randint(100)
num3 = np.random.randint(100)

print(num1, num_1)
print(num2, num_2)
print(num3)

输出结果：

20 20
55 55
66

分析：当导入numpy时，随机生成器 np.random会得到一个随机的状态，每次使用 np.random后，其状态都会改变，所以num1不等于num2，num_2不等于num3。而np.random.set_state()可强制设置随机生成器 np.random的状态为我们想要的状态，所以num1=num_1，num2=num_2。

示例2：通过设置相同的state,使得random.shuffle以相同的规律打乱两个列表，进而使得两个列表被打乱后，仍旧能维持两个列表间元素的一一对应关系。这一点在深度学习的标注数据集的打乱的过程中很有用。一一对应的image_list 与label_list，在分别打乱后，仍能维持一一对应的关系。

import numpy as np
 
images_list=[1,2,3,4,5,6,7,8,9]
labels_list=[1,2,3,4,5,6,7,8,9]
 
state = np.random.get_state()
np.random.shuffle(images_list)
np.random.set_state(state)
np.random.shuffle(labels_list)
 
print(images_list）
print(labels_list)

输出结果：

[9, 3, 1, 6, 2, 8, 5, 4, 7]
[9, 3, 1, 6, 2, 8, 5, 4, 7]

参考博客