TensorFlow中make_initializable_iterator与make_one_shot_iterator差异问询

咱们逐个拆解你的问题：

1. 什么是“one-shot迭代器不支持重新初始化”？ #

直白点说，make_one_shot_iterator创建的迭代器只能把完整数据集从头到尾遍历一次。一旦它抛出tf.errors.OutOfRangeError（代表数据集已经遍历完毕），你就再也没法让它回到数据集开头重新遍历了——因为它根本没有提供“重置”的接口（也就是没有可调用的initializer属性）。

举个训练场景的例子：如果你要跑10个epoch（把数据集完整过10次），用one-shot迭代器的话，第一次遍历完后，第二次再尝试取数据会直接报错终止，没法自动从头再来。而make_initializable_iterator就灵活得多，你可以在每个epoch开始时调用sess.run(iterator.initializer)，让迭代器重置到数据集起始位置，完成多次遍历。

2. 你提供的两段代码是否等效？ #

完全不等效，核心差异就在多epoch的处理逻辑上：

先看make_initializable_iterator的代码：

iterator = data_ds.make_initializable_iterator()
data_iter = iterator.get_next()
sess = tf.Session()
sess.run(tf.global_variables_initializer())
for e in range(1, epoch+1):
    sess.run(iterator.initializer)  # 关键操作：每个epoch重置迭代器
    while True:
        try:
            x_train, y_train = sess.run([data_iter])
            _, cost = sess.run([train_op, loss_op], feed_dict={X: x_train, Y: y_train})
        except tf.errors.OutOfRangeError:
            break
sess.close()

这段代码在每个epoch开始时都会重置迭代器，所以每个epoch都能完整遍历一遍data_ds，严格执行你设置的epoch次数训练。

再看make_one_shot_iterator的代码：

iterator = data_ds.make_one_shot_iterator()
data_iter = iterator.get_next()
sess = tf.Session()
sess.run(tf.global_variables_initializer())
for e in range(1, epoch+1):
    while True:
        try:
            x_train, y_train = sess.run([data_iter])
            _, cost = sess.run([train_op, loss_op], feed_dict={X: x_train, Y: y_train})
        except tf.errors.OutOfRangeError:
            break
sess.close()

这里的迭代器只在创建时初始化了一次。第一个epoch能正常遍历数据集，但从第二个epoch开始，sess.run([data_iter])会直接抛出OutOfRangeError，内层while循环瞬间终止——相当于后面的epoch根本没执行训练，和第一段代码的预期效果完全不同。

如果想用one-shot迭代器实现多epoch训练，你得把迭代器的创建逻辑放到for e in range(...)循环内部（每个epoch重新创建一次迭代器），但这样的开销会比用initializable迭代器大不少。

内容的提问来源于stack exchange，提问作者Der Fänger im Roggen