np.random.get_state()

state = np.random.get_state()

两个用法：
1、与np.random()函数一起使用，使得多次生成的随机数相同，示例代码如下：

import numpy as np

state = np.random.get_state()
a = np.random.randint(10)

b = np.random.randint(10)

np.random.set_state(state)
c = np.random.randint(10)

print(a)
print(b)
print(c)

结果：

8
1
8

分析：a在state状态下获得一个随机数8，而b不在state状态下获取随机数，因此和a不同，而c又在state状态下获取随机数，所以与a的值相同

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打乱中非常有用，对应的image_list与label_list在分别打乱后，仍能维持一一对应关系。
示例代码如下：

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)

结果：

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

参考文章：https://blog.youkuaiyun.com/Strive_For_Future/article/details/81210907