每个 session.run() 调用多次从 tensorflow 数据集中采样到相同的张量

Question

考虑以下示例：

import tensorflow as tf
import numpy as np

X = np.arange(4).reshape(4, 1) + (np.arange(3) / 10).reshape(1, 3)

batch = tf.data.Dataset.from_tensor_slices(X) \
        .batch(2).make_one_shot_iterator().get_next()

def foo(x):
    return x + 1

tensor = foo(batch)

现在，我正在寻找一种能够在每次 session.run() 调用中多次采样 tensor 的方法，即：

def bar(x):
    return x - 1

result1 = bar(tensor)
with tf.control_dependencies([result1]):
    op = <create operation to sample from dataset into `tensor` again>
    with tf.control_dependencies([op]):
        result2 = bar(tensor)

sess = tf.Session()
print(*sess.run([result1, result2]), sep='\n\n')

应该输出：

[[0.  0.1 0.2]
 [1.  1.1 1.2]]

[[2.  2.1 2.2]
 [3.  3.1 3.2]]

这可能吗？我知道可以多次调用get_next() 以获取不同张量对象中的多个数据集样本，但是一个样本可以进入相同张量对象吗？

对我来说，用例是这样的，该代码的 foo 和 bar 部分是分开的，而 foo 部分不知道每次运行需要多少次样本。

附： 我正在使用 tf 1.12。 1.13 也是一个选项，但不是 tf 2。

Answer 1

是的，这是可能的。

关于您迄今为止尝试过的一些见解：

1. 每次需要数据集中的新值时，您都可以使用从make_one_shot_iterator() 返回的数据集迭代器
2. 您可以创建属于 tf 图一部分的自己的函数，以通过foo() 传递结果

这样的东西可以提供你想要的输出（据我所知）

import tensorflow as tf
import numpy as np

X = np.arange(4).reshape(4, 1) + (np.arange(3) / 10).reshape(1, 3)

iterator = tf.data.Dataset.from_tensor_slices(X) \
        .batch(2).make_one_shot_iterator()

def foo(x):
    return x + 1

def get_tensor():
  return foo(iterator.get_next())

tensor = get_tensor()

def bar(x):
    return x - 1

result1 = bar(tensor)
with tf.control_dependencies([result1]):
    op = get_tensor()
    with tf.control_dependencies([op]):
        result2 = bar(op)

sess = tf.Session()
print(*sess.run([result1, result2]), sep='\n\n')