Tensorflow 是否需要调用Dataset.repeat（）？

在中，我看到数据集就像

AUTOTUNE = tf.data.experimental.AUTOTUNE
train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)

但我也看到其他人的代码，如：

ds = ds.cache()
ds = ds.repeat() # ds is a dataset 
ds = ds.shuffle(buffer_size=1000)

我假设从技术上讲，数据集将在每个训练纪元之后被全部消耗，并且应该被重复以输入下一个纪元的洗牌缓冲区

但是为什么第一个教程可以不重复地工作呢？我是否应该显式调用ds repeat？

因此，根据repeat确定样本在给定数据集中可以重复多少次

dataset=tf.data.dataset.from_tensor_切片（[1,2,3]）
数据集=数据集。重复（3）
列表（dataset.as\u numpy\u迭代器（））
[1,2,3,1,2,3,1,2,3]

---

理想情况下，您不必重复数据集。只有当你想通过它的多个样本，它才有区别。根据您的洗牌，它将在重复数据集之后洗牌数据集。请在

repeat（）

中包含一些参数或值，不要保留任何参数或值。

谢谢，但我在文档中没有看到类似“在给定的历元或培训过程中”的措辞？我使用了培训过程或历元，因为它最终取决于数据集的使用方式。如果您在每个历元时或之后都要重新洗牌，并且不想增加功能，则无需使用

repeat

。不要在计数为空的情况下使用repeat，因为它将继续创建重复的实例，直到缓冲区大小被填满。此外，我将删除

给定的历元或培训通行证，因为它可能会混淆