简短的答案是，你根本不能(至少总体上不能)。
NumPy使用的Mersenne TwisterRNG有219937-1个可能的内部状态，而单个64位整数只有264个可能的值。因此，不可能将每个RNG状态Map到唯一的整数种子。
您可以使用np.random.get_state和np.random.set_state直接获取和设置RNG的内部状态。get_state的输出是一个元组，其第二个元素是由32位整数组成的(624,)数组。这个数组有足够多的位来表示RNG的每个可能的内部状态(2624x32>219937-1)。
get_state返回的元组可以像种子一样使用，以创建可重现的随机数序列。例如：

import numpy as np

# randomly initialize the RNG from some platform-dependent source of entropy

np.random.seed(None)

# get the initial state of the RNG

st0 = np.random.get_state()

# draw some random numbers

print(np.random.randint(0, 100, 10))

# [ 8 76 76 33 77 26  3  1 68 21]

# set the state back to what it was originally

np.random.set_state(st0)

# draw again

print(np.random.randint(0, 100, 10))

# [ 8 76 76 33 77 26  3  1 68 21]

• 这篇文章旨在澄清Ali_m的正确答案，并对董贾斯汀的建议进行重要更正。*

以下是我的调查结果：
1.使用np.random.seed(X)设置随机种子后，可以使用np.random.get_state()[1][0]重新查找。
1.然而，它对你没有什么用处。
以下代码部分的输出将向您说明为什么这两个语句都是正确的。

语句1-可以使用np.random.get_state()[1][0]找到随机种子。

如果使用np.random.seed(123)设置随机种子，则可以使用state = np.random.get_state()将随机状态作为元组检索。下面是state的详细介绍(我在Spyder中使用变量EXPLORER)。我使用屏幕截图，因为使用print(state)会淹没您的控制台，因为元组的第二个元素中的数组太大。

可以很容易地看到123是包含在第二个元素中的数组中的第一个数字。而使用seed = np.random.get_state()[1][0]将得到123。完美？不完全是，因为：

声明2--但是，它对您没有什么用处：

乍一看可能并非如此，因为您可以使用np.random.seed(123)，使用seed = np.random.get_state()[1][0]检索相同的数字，使用np.random.seed(444)重置种子，然后(似乎)使用np.random.seed(seed)将其设置回123场景。但那时你已经知道你的随机种子是什么了，所以你就不需要这样做了。下一个代码部分还将显示，您不能使用np.random.get_state()[1][0]获取任意随机状态的第一个数字，并期望重新创建该场景。请注意，您很可能必须完全关闭并重新启动内核(或调用np.random.seed(None))才能看到这一点。
以下代码片段使用np.random.randint()生成5个介于-10和10之间的随机整数，并存储有关该进程的一些信息：

• 代码片段1*

# 1. Imports

import pandas as pd
import numpy as np

# 2. set random seed

# seedSet = None

seedSet = 123
np.random.seed(seedSet)

# 3. describe random state

state = np.random.get_state()
state5 = np.random.get_state()[1][:5]
seedState = np.random.get_state()[1][0]

# 4. generate random numbers

random = np.random.randint(-10, 10, size = 5)

# 5. organize and present findings

df = pd.DataFrame.from_dict({'seedSet':seedSet, 'seedState':seedState, 'state':state, 'random':random})
print(df)

请注意，名为seedState的列与state下的第一个数字相同。我本可以把它作为一个独立的数字打印出来，但我想把它都放在同一个地方。另请注意，到目前为止，seedSet = 123和np.random.seed(seedSet)已被注解掉。因为没有设置随机的种子，所以你的数字将与我的不同。但这在这里并不重要，重要的是你的结果的内在一致性：

• 输出1：*

random seedSet   seedState       state
0       2    None  1558056443  1558056443
1      -1    None  1558056443  1808451632
2       4    None  1558056443   730968006
3      -4    None  1558056443  3568749506
4      -6    None  1558056443  3809593045

在这种情况下，seed = np.random.get_state()[1][0]等于1558056443。按照董贾斯丁回答的逻辑(以及我在这次编辑之前的回答)，您可以用np.random.seed(1558056443)设置随机种子，并获得相同的随机状态。下一个片段将显示您不能：

片段2

# 1. Imports

import pandas as pd
import numpy as np

# 2. set random seed

# seedSet = None

seedSet = 1558056443
np.random.seed(seedSet)

# 3. describe random state

# state = np.random.get_state()

state = np.random.get_state()[1][:5]
seedState = np.random.get_state()[1][0]

# 4. generate random numbers

random = np.random.randint(-10, 10, size = 5)

# 5. organize and present findings

df = pd.DataFrame.from_dict({'seedSet':seedSet, 'seedState':seedState, 'state':state, 'random':random})
print(df)

• 输出2：*

random     seedSet   seedState       state
0       8  1558056443  1558056443  1558056443
1       3  1558056443  1558056443  1391218083
2       7  1558056443  1558056443  2754892524
3      -8  1558056443  1558056443  1971852777
4       4  1558056443  1558056443  2881604748

看到区别了吗？输出1和输出2的np.random.get_state()[1][0]相同，但输出的其余部分不同(最重要的是，随机数不相同)。因此，正如阿里已经明确表示的那样：
因此，不可能将每个RNG状态Map到唯一的整数种子。

检查np.random.get_state()返回的数组的第一个元素，在我看来它就是随机种子。

这一回答补充了其他人忽略的重要细节。首先，重新表述一下结论：

原始随机种子(通过np.random.seed设置)在生成数字后无法取回，但中间体(当前状态)可以取回。

请参考@Vestland的答案；然而，它可能会误导：生成的数字不同并不是因为无法Map状态，而是因为使用了不完整的编码：get_state()[1]。完整的表示包括pos = get_state()[2]。要说明以下情况：

import numpy as np

state0 = np.random.get_state()
rand0  = np.random.randint(0, 10, 1)
state1 = np.random.get_state()
rand1  = np.random.randint(0, 10, 1)

assert all(s0 == s1 for s0, s1 in zip(state0[1], state1[1]))

我们生成了一个数字，但get_state()[1]保持不变。但是：

np.random.set_state(state0)
assert np.random.randint(0, 10, 1) == rand0

对于state1和rand1也是如此。因此，@Vestland的数字不同，因为当不设置种子时，pos = 623-而如果我们使用np.random.seed，pos = 624。为什么会有这样不方便的差异呢？毫无头绪。
在np.random.seed(s)上总结如下：

• get_state()[1][0]设置后立即：检索准确重新创建状态的s
• 生成数字后的get_state()[1][0]：可能检索也可能不检索s，但它将不重新创建当前状态(在get_state())
• 生成多个数字后的get_state()[1][0]：不会检索s。这是因为pos用尽了它的表示。
• get_state() at any point：将准确地重新创建该点。

最后，行为也可能因get_state()[3:](当然还有[0])而不同。

虽然最上面的答案大体上是正确的，因为这在总体上是不可能的，但实际上它是可能的。我会将你重定向到这个人的博客：https://kamila.akagi.moe/posts/mersenne-twister/
这个人开发了一种Mersenne Twister破解算法来恢复初始种子，并提供了详细的细节和算法。我不是作者，我不了解这些材料的全部内容，但任何有兴趣做这件事的人都应该检查一下。

了解随机种子的一个简单解决方案是随机生成一个种子，然后对随机数生成器进行种子生成。类似于以下内容：

import numpy as np
seed = int(np.random.rand() * (2**32 - 1))
np.random.seed(seed)