在文档的某些部分（例如Dataset Iterators here）中引用了Stateful Objects。它们究竟是什么？它们在图中扮演什么角色？
为澄清起见，在数据集文档中，有一个one_shot_iterator可以正常运行的示例，因为它是无状态的：
dataset = tf.data.Dataset.range(100)
iterator = dataset.make_one_shot_iterator()
什么使迭代器变为无状态？
答案 0 :(得分：2)
正如其他人提到的那样，有状态对象是持有状态的对象。 现在，以TensorFlow的术语来说，状态是在对tf.Session.run 的不同调用之间保存的一些值或数据。最常见和最基本的状态对象是变量。您可以调用一次run来更新模型的参数（它们是变量），并且它们将在下次调用run时保留其分配的值。这与大多数操作不同。例如，如果您有一个加法运算，该运算需要两个张量并输出第三个张量，则在对run的一次调用中计算出的输出值不会保存。的确，即使您的图形仅包含具有恒定值的运算，即使结果始终相同，每次您调用run时也会评估张量运算。 但是，当您将assign的值recurrent neural networks (RNNs)保留给变量时，它将“粘住” （顺便说一句，占用相应的内存，如果选择了，则在检查点上进行序列化）
数据集迭代器也是有状态的。如果一次运行获得一条数据，则该数据将被消耗，然后在下一次运行中获得另一条数据。迭代器“记住”两次运行之间的位置。这就是为什么类似于初始化变量的原因，可以初始化迭代器（在它们支持时），以将其重置为已知状态。
从技术上讲，另一种有状态对象是随机操作。通常，人们将随机操作视为随机操作，但实际上，它们拥有一个随机数生成器，该生成器的状态确实在两次运行之间保持，并且，如果您提供种子，则在开始时它们将处于定义明确的状态会议。但是据我所知，没有任何方法可以将随机操作重置为同一会话中的初始状态。
请注意，术语“有状态”经常（当不是特别指TensorFlow时）以略有不同的含义或以不同的抽象级别使用。例如，tf.nn.dynamic_rnn通常被认为是有状态的，因为从概念上讲，它们具有内部状态，该内部状态随收到的每个输入而变化。但是，当您在TensorFlow中创建RNN时，内部状态不一定必须处于有状态对象中！像任何其他类型的神经网络一样，TensorFlow中的RNN原则上将具有一些参数或权重，通常存储在可训练变量中-因此，以TensorFlow术语而言，所有可训练模型（无论是否为RNN）都具有针对训练参数的有状态对象。但是，Rens的内部状态在TensorFlow中表示，具有每次运行时获得的输入状态值和输出状态值（请参阅enter image description here），并且您可以在每个运行时以“零”状态开始运行并忘记最终的输出状态。当然，您也可以根据需要将输入状态作为变量的值，然后将输出状态写回该变量，然后您的RNN内部状态将对TensorFlow处于“有状态”；也就是说，您将能够在一次运行中处理一些数据，并在下一次运行中处理“将数据留在原处”（视情况而定）。我知道这可能会有些混乱，但我希望这是有道理的。
