我正在使用tensorflow进行时间序列预测。 所使用的时间序列约为每日10,000个数据点，与tf.Dataset API配合使用时效果很好。 要使用日内数据（每5分钟一次），我想知道是否有更有效的方式导入数据，因为每次我重新初始化数据集迭代器时，我都会不断使用feed_dicts（效率低下）指向我的numpy数组培训或验证集。这一点变得越来越重要，因为我通常在每个时期之后运行验证或测试集，这意味着迭代器在每个时期都要重新初始化两次。
我的数据通常是这样导入的：
dataset = tf.data.Dataset.from_tensor_slices((X,
Y)).batch(batch_size)
iterator = dataset.make_initializable_iterator()
input, label = iterator.get_next()
其中X和Y是占位符。
目前，我的数据已使用具有numpy数组的简单函数进行了预处理，在其中我设置了滞后次数以解释单个时间步长（例如：标签[3]的[0,1,2]），我也经常改变训练。 因为我正在更改输入数据的滞后，所以没有固定的（功能，标签）对来构造TfRecord文件。
我的问题是，是否值得创建一个功能（原始时间序列）仅一个功能的Tfrecord文件，然后根据我选择的延迟将其修改为（功能，标签）对。 < / p>
我问，因为获得的时间可能并不重要，因为无论如何都应该映射数据集，或者这是其他可能的解决方案（我想到的一个想法是使用dataset.repeat()和{{1} }而不是while循环，尽管我认为它必须与在每个for epoch in range(num_batches):错误之后重新初始化迭代器相同，所以没有收益。
如果值得创建tfrecord文件，可以使用数据集API提供一些实现吗？我试图创建一个类似于此answer的功能文件，但由于无法正确解析数据而没有任何解决方案。
Ps：这很简单，但是最好包含代码以创建我的功能，并按时间序列标注：
Tf.OutOfRangeError其中def lags(data, t_steps, label=False):
data_=[]
for i in range(len(data)-t_steps):
if label:
data_.append(data[i+t_steps])
else:
data_.append(data[i:i+t_steps])
return np.array(data_)
定义了要使用的滞后次数。