TensorFlow调用next_batch报错：PrefetchDataset无该属性

嘿，我来帮你搞定这个问题！你遇到的坑其实是TensorFlow版本迭代带来的数据集加载方式变化，咱们一步步理清楚：

为什么会报错？ #

老版本的TensorFlow示例里，MNIST数据集加载后返回的train是一个DataSet类实例，自带next_batch方法。但现在哪怕你用了compat.v1，如果是用tf.keras.datasets.mnist或者tf.data加载数据，得到的要么是numpy数组，要么是PrefetchDataset对象——这些都没有next_batch这个属性。

至于你自己写了函数还报错，大概率是你没改调用方式，还是在写train.next_batch(50)，而不是把数据和标签传入你自己的函数里~

三种解决方案任你选 #

方案一：完全贴合老示例的加载方式 #

如果你想直接沿用老代码的写法，可以用TensorFlow保留的老数据集加载模块：

import tensorflow.compat.v1 as tf
tf.disable_eager_execution()

# 导入老版本的MNIST数据集加载工具
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 现在就能正常调用next_batch了
batch_xs, batch_ys = mnist.train.next_batch(50)

这个方法最直接，适合你跟着老示例学习的场景，只要你的TensorFlow版本还保留了这个模块就行。

方案二：修复并正确使用你自己的next_batch函数 #

先修正你函数里的小bug（原来的步长写错了，会导致索引异常），然后正确调用它：

import tensorflow.compat.v1 as tf
import numpy as np
tf.disable_eager_execution()

# 用keras加载MNIST，得到numpy格式的训练数据和标签
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
# 如果示例需要one-hot编码标签，加上这一步
y_train = tf.keras.utils.to_categorical(y_train, 10)
y_test = tf.keras.utils.to_categorical(y_test, 10)

# 修正后的自定义next_batch函数
def next_batch(num, data, labels):
    ''' 返回num个随机样本和对应的标签 '''
    idx = np.arange(0, len(data))  # 这里步长改为1，之前的写法会出错
    np.random.shuffle(idx)
    idx = idx[:num]
    # 直接用numpy索引更高效，不用列表推导
    data_shuffle = data[idx]
    labels_shuffle = labels[idx]
    return data_shuffle, labels_shuffle

# 调用自己的函数，别再用train.next_batch了！
batch_xs, batch_ys = next_batch(50, x_train, y_train)

方案三：用tf.data的方式生成批次（更符合新版本习惯） #

如果你想适配新版本TensorFlow的用法，不用自己写函数，直接用tf.data.Dataset的API来处理：

import tensorflow.compat.v1 as tf
tf.disable_eager_execution()

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
y_train = tf.keras.utils.to_categorical(y_train, 10)

# 创建数据集对象，打乱并按批次划分
train_dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train))
train_dataset = train_dataset.shuffle(buffer_size=10000).batch(50)

# 创建迭代器获取批次数据
iterator = tf.data.Iterator.from_structure(train_dataset.output_types, train_dataset.output_shapes)
next_batch_op = iterator.get_next()
train_init_op = iterator.make_initializer(train_dataset)

# 在Session中使用
with tf.Session() as sess:
    sess.run(train_init_op)
    batch_xs, batch_ys = sess.run(next_batch_op)

这种方式更现代，哪怕以后切换到即刻执行模式也能轻松适配。

内容的提问来源于stack exchange，提问作者Sivan