在tensorflow中重新初始化迭代器后改组数据集

Question

我正在使用tensorflow数据集api将数据输入模型。据我所知，我应该对数据集进行改组以从模型中获得最佳性能。但是，由于我正在训练一个纪元，然后测试一个纪元，依此类推……我不确定我是否会以不同的方式执行改组。为了更好地说明，下面是我的代码：

train_dataset = tf.data.TFRecordDataset(filename_train).map(_parse_function).filter(filter_examples)\
            .shuffle(60000, seed=mseed, reshuffle_each_iteration=False) \
            .batch(train_batch_size)
train_iterator = train_dataset.make_initializable_iterator(shared_name="Training_iterator")

因此，每当我使用整个数据集时，我都将迭代器重新初始化为：

sess.run(train_iterator.initializer)

那安全吗？我问，因为在训练时我的损失函数具有以下形状

因此，不同时期之间的改组是确定性的吗？

请注意，我在shuffle中使用了种子，目的是使结果在不同的代码运行之间可重复。

Answer 1

种子会影响整个默认图形。通过设置种子，可以确定混洗的确定性，这意味着它将在每次重排时保持相同的顺序。所以是的，您将在第二个时代获得相同的订单。您还可以设置种子的占位符，并在每个纪元进行更改，有关更多信息，请点击此处 https://github.com/tensorflow/tensorflow/issues/13446 没有种子改组就变成伪随机