这个问题可能之前已经问过，但我没能找到相关的答案。
从数据集中持续获取批次数据的最简单方法是什么？TensorFlow中有没有内置的函数可以做到这一点？
例如：

for i in num_trains: x_batch, y_batch = get_batch(x_train, y_train, batch_size) sess.run(train_step, feed_dict={x:x_batch,y:y_batch})

如果没有这样的内置函数，你会如何实现它？我自己尝试过，但每次调用函数时，我无法弄清楚如何获取与之前不同的新批次数据。

谢谢！

回答：

你可以尝试以下方法：

# 提供批次数据def get_batch(inputX, inputY, batch_size):   duration = len(inputX)   for i in range(0,duration//batch_size):     idx = i*batch_size     yield inputX[idx:idx+batch_size], inputY[idx:idx+batch_size]

你也可以使用TensorFlow的dataset API：

dataset = tf.data.Dataset.from_tensor_slices((train_x, train_y))dataset = dataset.batch(batch_size)

获取批次数据：

  X = np.arange(100)  Y = X batch = get_batch(X, Y, 5) batch_x, batch_y = next(batch) print(batch_x, batch_y) #[0 1 2 3 4] [0 1 2 3 4] batch_x, batch_y = next(batch) print(batch_x, batch_y) #[5 6 7 8 9] [5 6 7 8 9]

通常，为了在多个epochs中遍历数据集，你会这样做：

 for epoch in range(number of epoch):    for step in range(size_of_dataset//batch_size):        for x_batch, y_batch in get_batch(x_train, y_train, batch_size):           sess.run(train_step, feed_dict={x:x_batch,y:y_batch})

使用dataset API：

  dataset = tf.data.Dataset.from_tensor_slices((X, Y))  dataset = dataset.batch(5)  iterator = dataset.make_initializable_iterator()  train_x, train_y = iterator.get_next()  with tf.Session() as sess:    sess.run(iterator.initializer)   for i in range(2):       print(sess.run([train_x, train_y]))   #[array([0, 1, 2, 3, 4]), array([0, 1, 2, 3, 4])]   #[array([5, 6, 7, 8, 9]), array([5, 6, 7, 8, 9])]