Python 在单个会话中多次从tensorflow数据集中采样到同一个tensor中。run（）调用

考虑以下示例：

将tensorflow导入为tf
将numpy作为np导入
X=np.arange（4）。重塑（4，1）+（np.arange（3）/10）。重塑（1，3）
batch=tf.data.Dataset.from_tensor_切片（X）\
.batch（2）.生成一个\u shot\u迭代器（）.get\u next（）
def foo（x）：
返回x+1
张量=foo（批次）

现在，我正在寻找一种方法，可以在单个

会话中多次对
张量进行采样。run（）
调用，即：

def条（x）：
返回x-1
结果1=巴（张量）
使用tf.control_依赖项（[result1]）：
op=
使用tf.control_依赖项（[op]）：
结果2=巴（张量）
sess=tf.Session（）
打印（*sess.run（[result1，result2]），sep='\n\n'）

应输出：

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

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

这可能吗？我知道一个人可以多次调用
get_next（）
以在不同的张量对象中获取多个数据集样本，但是一个样本可以进入相同的张量对象吗

对我来说，用例是这样的：此代码的
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

附言。
我用的是TF1.12。1.13也是一个选项，但不是TF2。
是的，这是可能的

关于您迄今为止所做的尝试的几点见解：

每次需要数据集中的新值时，都可以使用从
make\u one\u shot\u iterator（）
返回的数据集迭代器
您可以创建自己的函数作为tf图的一部分，将结果通过
foo（）
类似这样的东西可以提供您想要的输出（据我所知）

将tensorflow导入为tf
将numpy作为np导入
X=np.arange（4）。重塑（4，1）+（np.arange（3）/10）。重塑（1，3）
迭代器=tf.data.Dataset.from_tensor_切片（X）\
.batch（2）.make_one_shot_iterator（）
def foo（x）：
返回x+1
def get_tensor（）：
返回foo（迭代器.get_next（））
张量=得到张量（）
def巴（x）：
返回x-1
结果1=巴（张量）
使用tf.control_依赖项（[result1]）：
op=get_张量（）
使用tf.control_依赖项（[op]）：
结果2=巴（op）
sess=tf.Session（）
打印（*sess.run（[result1，result2]），sep='\n\n'）
是的，这是可能的

关于您迄今为止所做的尝试的几点见解：

每次需要数据集中的新值时，都可以使用从
make\u one\u shot\u iterator（）
返回的数据集迭代器
您可以创建自己的函数作为tf图的一部分，将结果通过
foo（）
类似这样的东西可以提供您想要的输出（据我所知）

将tensorflow导入为tf
将numpy作为np导入
X=np.arange（4）。重塑（4，1）+（np.arange（3）/10）。重塑（1，3）
迭代器=tf.data.Dataset.from_tensor_切片（X）\
.batch（2）.make_one_shot_iterator（）
def foo（x）：
返回x+1
def get_tensor（）：
返回foo（迭代器.get_next（））
张量=得到张量（）
def巴（x）：
返回x-1
结果1=巴（张量）
使用tf.control_依赖项（[result1]）：
op=get_张量（）
使用tf.control_依赖项（[op]）：
结果2=巴（op）
sess=tf.Session（）
打印（*sess.run（[result1，result2]），sep='\n\n'）
谢谢，但这不是对同一张量对象进行采样，而是创建一个新的张量。起初我想避免这种情况，但现在我想起来了，可能没有什么好的理由让我想避免这种情况。我仍然很好奇是否有可能对同一个张量进行重新采样。很抱歉误解了-我不确定“采样到”同一个张量对象是什么意思（我误认为这是“从同一数据集对象获取下一个样本张量”）。您当然可以重复使用
tensor
作为后续操作的输入，但我怀疑这不是您的意思？张量只不过是一组（结构化的）数字。你可以给变量名分配一个新的张量，你可以用
tf更改值。分配
，你可以把张量作为输入传递给任意多个下游操作，但听起来你好像在想别的什么？好吧，我的意思是如下所示。如果我有一个从数据集中保存样本/批次的张量，然后我对该张量进行了大量后续操作，我希望能够在该数据集中的另一个样本/批次上重用这些精确操作，而无需在图中构建重复的操作分支。谢谢，但这不是对同一个张量对象进行采样，这是在创建一个新的张量。起初我想避免这种情况，但现在我想起来了，可能没有什么好的理由让我想避免这种情况。我仍然很好奇是否有可能对同一个张量进行重新采样。很抱歉误解了-我不确定“采样到”同一个张量对象是什么意思（我误认为这是“从同一数据集对象获取下一个样本张量”）。您当然可以重复使用
tensor
作为后续操作的输入，但我怀疑这不是您的意思？张量只不过是一组（结构化的）数字。你可以给变量名分配一个新的张量，你可以用
tf更改值。分配
，你可以把张量作为输入传递给任意多个下游操作，但听起来你好像在想别的什么？好吧，我的意思是如下所示。如果我有一个从数据集中保存样本/批次的张量，然后我在该张量上有许多后续操作，我希望能够在该数据集中的另一个样本/批次上重用这些精确操作，而无需在图中构建重复的操作分支。