next_batch是DataSet类的方法（有关该类内容的更多信息，请参见https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/learn/python/learn/datasets/mnist.py ） 。

加载mnist数据并将其分配给变量mnist使用以下命令：

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

看一下mnist.train的类。您可以通过键入以下内容进行查看：

print mnist.train.__class__

您会看到以下内容：

<class 'tensorflow.contrib.learn.python.learn.datasets.mnist.Dataset'>

由于mnist.train是DataSet类的实例，因此可以使用该类的next_batch函数。有关类的更多信息，请查阅文档 。

浏览过tensorflow存储库后，它似乎起源于这里：

https://github.com/tensorflow/tensorflow/blob/9230423668770036179a72414482d45ddde40a3b/tensorflow/contrib/training/python/training/sequence_queueing_state_saver.py#L905

但是，如果您希望以自己的代码（针对自己的数据集）实现它，那么像我一样，将其自己编写到数据集对象中可能会更简单。据我了解，这是一种对整个数据集进行混洗，并从混洗后的数据集中返回$ mini_batch_size个样本的方法。

这是一些伪代码：

shuffle data.x and data.y while retaining relation return [data.x[:mb_n], data.y[:mb_n]]