正如其他人提到的那样，有状态对象是持有状态的对象。
现在，以TensorFlow术语来说，状态是一些值或数据，该值或数据保存在对的不同调用之间tf.Session.run。最常见和最基本的状态对象是变量。您可以调用run一次以更新模型的参数（即变量），并且它们将在下一次调用时保持其分配的值run。这与大多数操作不同。例如，如果您有一个加法运算，该运算需要两个张量并输出第三个张量，run则不会保存它在一次调用中计算的输出值。实际上，即使您的图形仅包含具有恒定值的运算，每次调用时都会评估张量运算run，即使结果始终相同。
但是，
当给变量赋值时，它将“粘”（顺便说一句，占用相应的内存，如果选择这样做，则在检查点上进行序列化）。

数据集迭代器也是有状态的。当您一次运行获得一条数据时，它将被消耗，然后在下一次运行中获得另一条数据。迭代器“记住”运行之间的位置。这就是为什么类似于初始化变量的原因，可以初始化迭代器（在它们支持时），以将其重置为已知状态。

从技术上讲，另一种有状态对象是随机操作。通常，人们将随机操作视为随机操作，但实际上它们拥有一个随机数生成器，该生成器的状态确实在两次运行之间保持，并且如果您提供了种子，那么在开始时它们将处于定义明确的状态会议。但是，据我所知，没有任何方法可以将随机操作重置为同一会话中的初始状态。

请注意，术语“有状态”经常（当不是特别指TensorFlow时）以略有不同的含义或以不同的抽象级别使用。例如，递归神经网络（RNN）一般说来，它们是有状态的，因为从概念上讲，它们的内部状态随收到的每个输入而变化。但是，当您在TensorFlow中创建RNN时，内部状态不一定必须处于有状态对象中！像任何其他类型的神经网络一样，TensorFlow中的RNN原则上将具有一些参数或权重，通常存储在可训练变量中-
因此，以TensorFlow术语而言，无论是否为RNN，所有可训练模型都具有针对训练参数的有状态对象。但是，Rens的内部状态在TensorFlow中用每次运行时获得的输入状态值和输出状态值表示（请参见tf.nn.dynamic_rnn），那么您可以在每次运行时从“零”状态开始，而不必理会最终的输出状态。当然，如果需要，您也可以将输入状态作为变量的值，然后将输出状态写回该变量，然后您的RNN内部状态将对TensorFlow处于“有状态”；也就是说，您将能够在一次运行中处理一些数据，并在下一次运行中处理“将数据留在原处”（视情况而定）。我知道这可能会有点混乱，但我希望这是有道理的。