TensorFlow Dataset.repeat(count=None)如何工作？无限重复具体指什么？

一、默认（count=None/-1）的“无限重复”具体含义 #

当调用dataset.repeat()不指定count参数（或设为None/-1）时，这个数据集会循环遍历原始数据内容，永远不会终止。也就是说，当你迭代该数据集时，读完一遍原始数据后会立刻从头开始再次遍历，周而复始，没有天然的停止节点。

举个简单例子：如果原始数据集是[1,2,3]，调用repeat()后，迭代输出的序列会是1,2,3,1,2,3,1,2,3,...，持续到你主动停止迭代（比如训练时设置固定epochs数、手动中断程序等）。

二、“默认重复次数等于batch运行次数”的说法是否正确？ #

这个说法不准确，甚至是错误的。

在代码train_univariate.cache().shuffle(BUFFER_SIZE).batch(BATCH_SIZE).repeat()中：

• repeat()本身是无限重复整个数据集的逻辑，和batch的运行次数没有直接绑定关系。
• 实际训练时，你是通过Keras的model.fit()等方法指定epochs数来控制训练轮次，此时repeat()的无限性会被fit()的epochs限制——比如设epochs=5，数据集就会重复5次，而batch运行次数（总步数=样本数//batch_size * epochs）是另一个独立概念，和repeat()的默认行为无关。

所谓“等于batch运行次数”的说法，大概率是混淆了数据集迭代的总步数和重复轮次。实际场景中，若不限制epochs，数据集会一直重复直到训练停止；batch运行次数是每轮epoch的batch数量乘以重复轮次，由训练终止条件决定，并非repeat()的默认属性。

内容的提问来源于stack exchange，提问作者Ana G