Python 如何在两个长度不等的tf.dataset上进行成对迭代？

我处理两个长度不等的数据集

我的目标是为datasetA中的每个元素从其他datasetB中获取一个元素。我尝试了

.take（1）

（如图所示）从datasetB获取单个元素，但重复调用

。take（1）

不会提前数据集的内部计数，即它总是返回相同的元素；但我每次都想得到一个新元素

我可以使用datasetA:中元素的

迭代一个数据集，然后使用其中的第二个数据集作为
elementB=iterB.get_next（）
。当使用
iterB
时，会引发错误

这是我正在使用的完整玩具代码：

datasetA = tf.data.Dataset.from_tensor_slices([1,  2,  3,  4,  5, 6])
datasetB = tf.data.Dataset.from_tensor_slices([11, 22, 33, 44])

iterB = iter(datasetB)
epochs = 5

for epoch in range(epochs):
  print(f"Epoch {epoch}")
  for element in datasetA:
    print(element)
    elementB = iterB.get_next()
    print(elementB)


我接着说：

for epoch in range(epochs):
  print(f"Epoch {epoch}")
  for element in datasetA:
    print(element)
    elementB = iterB.get_next_as_optional()
    if not elementB.has_value():
      iterB = iter(datasetB)
      elementB = iterB.get_next_as_optional()

    print(elementB.get_value())

这是可行的，但是为
datasetB
重新初始化迭代器很困难

我进一步发现的是，它使用TF操作重新初始化迭代器，迭代器不再可用。
中也提到了这一点，这很有帮助，但并没有让我找到TF2.+解决方案

我要寻找的是一种从
datasetA
和
datasetB
获取成对元素的优雅方法，其中datasetB在使用时（自动）重复

我不需要迭代组合数据集，除非较短的数据集通过重复“填充”到较长的数据集，然后我可以从datasetA中的a和datasetB中的B采样对（a，B）

TL；博士：
要在两个长度不等的数据集上进行成对迭代，请在使用较短的数据集时重新启动。
我不知道这种编码语言，但下面是您应该做的

datasetA = tf.data.Dataset.from_tensor_slices([1,  2,  3,  4,  5, 6]);
datasetB = tf.data.Dataset.from_tensor_slices([11, 22, 33, 44]);
set i=0,j=0;
get lengths of both alength and blength;
for(i=0;i<alength;i++){
 print(datasetA[i]);
 print(datasetB[j]);
 if(j<blength-1)
   j++;
 else
  j=0;  
 }

datasetA=tf.data.Dataset.from_tensor_切片（[1,2,3,4,5,6]）；
datasetB=tf.data.Dataset.from_张量_切片（[11,22,33,44]）；
设定i=0，j=0；
获取alength和blength的长度；
对于（i=0；i我不知道这种编码语言，但这里是您应该做的

datasetA = tf.data.Dataset.from_tensor_slices([1,  2,  3,  4,  5, 6]);
datasetB = tf.data.Dataset.from_tensor_slices([11, 22, 33, 44]);
set i=0,j=0;
get lengths of both alength and blength;
for(i=0;i<alength;i++){
 print(datasetA[i]);
 print(datasetB[j]);
 if(j<blength-1)
   j++;
 else
  j=0;  
 }

datasetA=tf.data.Dataset.from_tensor_切片（[1,2,3,4,5,6]）；
datasetB=tf.data.Dataset.from_张量_切片（[11,22,33,44]）；
设定i=0，j=0；
获取alength和blength的长度；
对于（i=0；i要从两个数据集中获取所有可能的样本对，可以使用以下
生成器
：

    # assuming that dataset_A and dataset_B are defined globally
    def generator():
        for sample_A in dataset_A:
            for sample_B in dataset_B:
                yield (sample_A, sample_B)

要仅获取位于数据集中相同位置（相同索引）的成对样本，有一种标准的
zip
方法：

    dataset = tf.data.Dataset.zip(dataset_A, dataset_B)

当其中一个数据集耗尽时，该生成器停止

如果目标是从
dataset_A
获取所有样本的成对样本，但
dataset_B
较小，则可以无限重复第二个数据集

     dataset_B = dataset_B.repeat()

然后
zip
这两个数据集。
要从两个数据集中获取所有可能的样本对，可以使用以下
生成器
：

    # assuming that dataset_A and dataset_B are defined globally
    def generator():
        for sample_A in dataset_A:
            for sample_B in dataset_B:
                yield (sample_A, sample_B)

要仅获取位于数据集中相同位置（相同索引）的成对样本，有一种标准的
zip
方法：

    dataset = tf.data.Dataset.zip(dataset_A, dataset_B)

当其中一个数据集耗尽时，该生成器停止

如果目标是从
dataset_A
获取所有样本的成对样本，但
dataset_B
较小，则可以无限重复第二个数据集

     dataset_B = dataset_B.repeat()

然后
zip
这两个数据集。
这是一个方向，但将适用于整个数据集B上的每个datasetA样本。我的目的是同时迭代它们，这样当我从datasetA中获取第二个样本时，我也从datasetB中获取第二个样本。编辑答案以获得所需的数据集。而这s没有完全回答我的问题，这似乎是我目前能得到的最接近的答案了！谢谢！你想在数据集耗尽时“重新启动”
dataset_B
，但并不是使用了
dataset_A
中的所有元素吗？如果这是目标，那么在压缩之前，请调用
dataset_B=dataset_B.repeat（）
。这正是我想要的！非常感谢！这是正确的方向，但将适用于整个datasetB中的每个datasetA样本。我的目的是同时迭代它们，以便在从datasetA获取第二个样本时，我也从datasetB获取第二个样本。编辑答案以获得所需的数据设置。虽然这并不能完全回答我的问题，但它似乎是我目前能得到的最接近的！谢谢！当数据集耗尽时，是否要“重新启动”
dataset_B
，但并没有使用
dataset_A
中的所有元素？如果这是目标，则在压缩之前，调用
dataset_B=dataset_B.repeat（）
。这正是我要找的！非常感谢！