我不清楚如何在tensorflow v2中最佳使用tf.data训练Keras模型：
我采用了以下方法：
dataset = tf.data.TFRecordDataset("filename.tfrecords").shuffle(total_size)
validation_size = int(validation_size_split_ratio * total_size)
validation_dataset = dataset.take(validation_size)
validation_dataset = validation_dataset.map(preprocess_function, num_parallel_calls=tf.data.experimental.AUTOTUNE)
validation_dataset = validation_dataset.shuffle(validation_size)
# validation_dataset = validation_dataset.cache()
# validation_dataset = validation_dataset.repeat()
validation_dataset = validation_dataset.batch(batch_size)
validation_dataset = validation_dataset.prefetch(buffer_size=tf.data.experimental.AUTOTUNE)
train_dataset = dataset.skip(validation_size)
train_dataset = train_dataset.map(preprocess_function, num_parallel_calls=tf.data.experimental.AUTOTUNE)
train_dataset = train_dataset.shuffle(total_size - validation_size)
# train_dataset = train_dataset.repeat()
train_dataset = train_dataset.batch(batch_size)
train_dataset = train_dataset.prefetch(buffer_size=tf.data.experimental.AUTOTUNE)
其中数据集被定义为对所有数据进行一次完整遍历，然后停止（即到达末尾）。请注意，所有重复操作均已被注释掉。该模型将进行如下训练：
training_history = model.fit(train_dataset, validation_data=validation_dataset, epochs=epochs)
在这种情况下，每个时期对应于整个数据集对象的新遍历。另外，我们可以取消注释上面的“ repeat”语句，然后像这样训练模型：
training_history = model.fit(train_dataset, steps_per_epoch=total_size // batch_size, epochs=epochs, validation_data=validation_dataset, validation_steps=500)
哪种方法是最佳方法，为什么？我们是否应该像第二种方法一样使用重复操作。在实践中，我发现第一种方法的培训时间更长……但是，什么时候应该使用“重复”操作。当Keras完成训练阶段然后运行验证集时，似乎还会有很长的停顿。我可以从字面上看到GPU利用率从95％下降到0 ...对此有任何建议吗？谢谢！
使用上述第一种方法，在每个时期之后，我还会看到此消息：
Filling up shuffle buffer (this may take a while)
在每个时期之后都需要重新填充随机缓冲吗？
我也看到了，我不明白：
Encountered a stop event that was not preceded by a start event.
特别是，此消息后，我看到GPU使用率降至0