tf.data.Dataset的cache与repeat是否兼容？兼容时调用顺序如何？

兼容性结论 #

repeat(count=None/-1)（无限重复样本）和cache()完全兼容，在TensorFlow 2.4.1版本下可以正常配合使用。

最优调用顺序及原因 #

必须先调用cache()，再调用repeat()，这是唯一能发挥两者价值的顺序：

• 先cache()：会一次性执行完所有样本生成逻辑，把结果缓存到内存（默认）或磁盘中，后续不再重复执行耗时的生成步骤。
• 再repeat(count=None)：基于缓存好的数据进行无限重复，每次迭代直接读取缓存内容，性能拉满。

如果反过来先repeat()再cache()，会因为repeat是无限循环，cache()永远无法完成全量数据的缓存操作，会一直重复执行原始的样本生成逻辑，完全起不到缓存优化的作用，这种写法绝对不能用。

代码示例（TF2.4.1适用） #

正确写法 #

# 假设raw_dataset包含耗时的样本生成/预处理逻辑
dataset = raw_dataset.cache()  # 先缓存生成结果
dataset = dataset.repeat(count=None)  # 再基于缓存无限重复
# 后续添加batch、预取等操作
dataset = dataset.batch(32).prefetch(tf.data.AUTOTUNE)

错误写法（禁止使用） #

# 错误：无限repeat导致cache无法完成缓存，持续执行耗时生成逻辑
dataset = raw_dataset.repeat(count=None).cache()

分布式场景适配 #

针对你提到的tf.distribute.DistributedDataset需要指定steps_per_epoch的场景，这种先缓存再无限重复的方式刚好匹配需求：不需要提前生成steps_per_epoch × 训练轮数的海量样本，只需缓存一次原始数据集，后续无限重复缓存内容即可满足训练过程中对数据的持续需求，同时彻底避免重复执行耗时的样本生成步骤。

内容的提问来源于stack exchange，提问作者Value_Investor