我有一个 tf.data.TFRecordDataset 和一个(计算成本较高的)函数，我想将其映射到它。我使用 TensorFlow 1.12 和 eager execution，该函数使用 EagerTensor.numpy() 对数据集中的张量进行 NumPy ndarray 解释。但是，提供给 tf.Dataset.map() 的函数内的代码不会立即执行，这就是 .numpy() 转换在那里不起作用的原因.map() 不再是一个选项。是否可以循环遍历数据集并修改其中的示例？简单地分配给它们似乎不起作用。
最佳答案
不，不完全是。
数据集本质上是延迟评估的，不能以这种方式分配 - 从概念上尝试将其视为管道而不是变量:每个值都被读取，并通过任何 map()操作、batch() 操作等，并根据需要呈现给模型。 “分配”一个值是将其写入磁盘的 .tfrecord 文件中，并且不太可能受到支持(这些文件专门设计用于快速读取而不是随机访问)。
您可以改为使用 TensorFlow 进行预处理，并使用 TfRecordWriter 写入新的 tfrecord，完成昂贵的预处理，然后使用这个新数据集作为模型的输入。如果您有可用的磁盘空间，这可能是您的最佳选择。
关于python - TensorFlow:是否可以使用 for 循环将函数映射到数据集？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/56220696/