TF2.0中如何用for循环迭代Dataset（替代已弃用的make_initializable_iterator）

我来帮你搞定这个问题——你遇到的"Resource does not exist"错误，本质是因为在TensorFlow 1.x的tf.compat.v1.Session上下文里，直接用TF 2.x风格的for循环迭代Dataset时，迭代器资源没有被正确初始化并绑定到Session。下面分两种场景给出解决方案：

方案1：优先迁移到TF 2.x的Eager Execution风格（推荐） #

TensorFlow 2.x默认启用Eager Execution，不需要再依赖Session来运行计算，直接迭代Dataset即可，这也是官方弃用旧迭代器API的推荐方向。你可以完全去掉Session相关代码，改成这样：

# 移除tf.compat.v1.Session相关代码
data_set = tfr_utils.read_dataset_new(self.tf_rcrds_fl_nm)

# 直接用for循环迭代Dataset
for features, label in data_set:
    features_keys = features.keys()
    # 如果需要将tensor转为numpy数组，使用.numpy()方法
    features_np = {key: val.numpy() for key, val in features.items()}
    label_np = label.numpy()
    # 你的后续业务逻辑
    ...

这种写法简洁且符合TF的最新规范，也不会有弃用警告。

方案2：保留tf.compat.v1.Session的兼容写法（仅用于老项目过渡） #

如果你的项目还有大量TF 1.x代码，必须保留Session，可以用tf.compat.v1.data.make_one_shot_iterator()替代弃用的make_initializable_iterator()，再配合while循环模拟for循环的行为，同时处理数据集迭代完毕的异常：

with tf.compat.v1.Session() as sess:
    data_set = tfr_utils.read_dataset_new(self.tf_rcrds_fl_nm)
    # 创建一次性迭代器（无需手动初始化）
    iterator = tf.compat.v1.data.make_one_shot_iterator(data_set)
    next_sample = iterator.get_next()
    
    try:
        while True:
            # 每次session.run获取下一个样本
            features, label = sess.run(next_sample)
            features_keys = features.keys()
            # 你的后续业务逻辑
            ...
    except tf.errors.OutOfRangeError:
        # 捕获异常，表示数据集已迭代完毕
        print("数据集迭代完成")
        pass

为什么sess.run(data_set)无效？ #

tf.data.Dataset是一个数据集对象，不是可直接通过sess.run()执行的Tensor，它的作用是生成数据迭代器，必须通过迭代器获取具体的样本数据，所以直接run Dataset没有意义。

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