Python 如何在运行Iteration.get_next（）后在tensorflow中获取前一批？

最近，我想实现GAN模型，并使用tf.Dataset和迭代器读取人脸图像作为训练数据

数据集和迭代器对象的代码为：

self.dataset = tf.data.Dataset.from_tensor_slices(convert_to_tensor(self.data_ob.train_data_list, dtype=tf.string))
self.dataset = self.dataset.map(self._parse_function)
#self.dataset = self.dataset.shuffle(buffer_size=10000)
self.dataset = self.dataset.apply(tf.contrib.data.batch_and_drop_remainder(batch_size))

self.iterator = tf.data.Iterator.from_structure(self.dataset.output_types, self.dataset.output_shapes)
self.next_x = self.iterator.get_next()

我的新GAN模型是：

self.z_mean, self.z_sigm = self.Encode(self.next_x)
self.z_x = tf.add(self.z_mean, tf.sqrt(tf.exp(self.z_sigm))*self.ep)
self.x_tilde = self.generate(self.z_x, reuse=False)
#the feature
self.l_x_tilde, self.De_pro_tilde = self.discriminate(self.x_tilde)

#for Gan generator
self.x_p = self.generate(self.zp, reuse=True)
# the loss of dis network
self.l_x,  self.D_pro_logits = self.discriminate(self.next_x, True)

---

所以，问题是我使用self.next_x作为输入张量两次。每次的数据集都是不同的。那么，如何解决这个问题以保持第一批代码可重用？

我在代码中使用的是以下内容，其中x和y\u true是占位符。不确定是否有更高效的实现

images, labels = session.run(next_element)
batch_accuracy = session.run(accuracy, feed_dict={x: images, y_true: labels, keep_prop: 1.0})
batch_predicted_probabilities = session.run(y_pred, feed_dict={x: images, y_true: labels, keep_prop: 1.0})

我目前正在尝试使用

tf.placeholder\u和\u default

来代替x和y的普通占位符\u true，以检查它是否在我的项目中提供了更好的性能。将编辑我的答案，让您知道，如果我设法得到任何结果很快：）

编辑：

---

我切换到带有默认值的占位符，每批速度没有明显提高，至少在我测量它的方式上是这样。

任何时候都可以。请实施它，如果它有效，并且没有给出更好的答案，请将我的答案标记为正确！对你的案子来说，哪一个是好的还是坏的？我切换到带有默认值的占位符_，它没有给每个批次带来明显的速度提升，至少在我测量它的方式上。我唯一想到的另一种方法是在同一个数据集上有两个迭代器，其中一个比另一个快一步。