TensorFlow建议在使用map进行转换之前批处理数据集，以向量化转换并减少开销：https://www.tensorflow.org/guide/data_performance#vectorizing_mapping
但是，在某些情况下，您需要对数据集执行转换，然后对UNBATCHED数据集执行某些操作（例如，随机播放）。
我找不到任何能表明效率更高的东西：
1）dataset.map(my_transformations)
2）dataset.batch(batch_size).map(my_transformations).unbatch()
（2）减少了用批处理矢量化处理后的地图开销，但因必须在以后取消对数据集的批处理而增加了开销。
我还可以看到没有通用规则。每次尝试新的数据集或转换（或硬件！）时都缺乏测试，这里是否有很好的经验法则？我看过几个在线使用的示例（2），没有任何解释，但是我对这个主题没有直觉，所以...
谢谢！
编辑：从那以后我发现，至少在某些情况下（2）比（1）效率低得多。例如，在我们的图像数据集上，每个时期应用随机翻转和旋转（使用.map和内置TF函数tf.image.random_flip_left_right，tf.image.random_flip_up_down和tf.image.rot90）进行数据扩充需要50个时间（2）延长％。我仍然不知道什么时候可以期望这种情况，但是教程的建议方法至少有时是错误的。
答案 0 :(得分：0)
答案是（1）。 https://github.com/tensorflow/tensorflow/issues/40386
TF正在修改文档，以反映出批处理的开销通常（总是？）要比向量化转换所节省的开销高。