如何堆叠两个TensorFlow数据集？或实现双数据源随机读取迭代器？

当然可以！不管是像R里rbind那样把两个数据集堆叠合并，还是创建能随机从两个数据源读取的迭代器，TensorFlow都有现成的方法帮你实现，下面分两种场景详细说：

一、合并成一个完整数据集（类似rbind） #

如果你想把两个数据集直接拼接成一个更大的数据集，用tf.data.Dataset.concatenate()就可以搞定，前提是两个数据集的元素结构必须完全一致——包括特征的数量、每个特征的形状、数据类型都要匹配（比如都是(特征张量, 标签张量)的结构，且特征张量的shape和dtype都相同）。

举个代码例子：

# 假设你已经加载好了dataset_A（来自tfrecord）和dataset_B（来自numpy数组）
# 先确认结构一致（可选但推荐）
print("Dataset A结构:", dataset_A.element_spec)
print("Dataset B结构:", dataset_B.element_spec)

# 合并两个数据集
combined_dataset = dataset_A.concatenate(dataset_B)

# 后续可以按需做打乱、批处理等操作
combined_dataset = combined_dataset.shuffle(buffer_size=10000).batch(32)

注意事项：如果两个数据集的结构有细微差异（比如某个特征的dtype不同），记得先统一转换，比如用tf.cast()把B的特征转成和A一致的类型：

# 假设dataset_B的特征是float32，dataset_A是float64，统一转成float64
dataset_B = dataset_B.map(lambda x, y: (tf.cast(x, tf.float64), y))

二、创建随机读取两个数据源的迭代器 #

如果你不想完全合并，而是希望训练时随机从两个数据集里采样数据（比如按一定比例混合），那tf.data.Dataset.sample_from_datasets()绝对是你的好帮手。这个方法可以指定每个数据集的采样权重，实现均匀或自定义比例的混合。

代码示例：

# 均匀采样：50%从A，50%从B
sampled_dataset = tf.data.Dataset.sample_from_datasets(
    [dataset_A, dataset_B],
    weights=[0.5, 0.5]
)

# 自定义比例：比如70%从A，30%从B
sampled_dataset = tf.data.Dataset.sample_from_datasets(
    [dataset_A, dataset_B],
    weights=[0.7, 0.3]
)

# 同样可以添加打乱、批处理等步骤
sampled_dataset = sampled_dataset.shuffle(buffer_size=5000).batch(32)

小提示：如果两个数据集的元素数量差距很大，调整shuffle的buffer_size可以让采样更均匀；另外，这个方法适合需要保持两个数据源独立性的场景（比如A是真实数据，B是合成数据，想按比例混合训练）。

内容的提问来源于stack exchange，提问作者Kent930