Python TensorFlow：是否可以使用for循环将函数映射到数据集？

我有一个

tf.data.TFRecordDataset

和一个（计算上很昂贵的）函数，我想映射到它。我使用TensorFlow 1.12和Eanger execution，该函数使用

EangerTensor.NumPy（）

对数据集中的张量使用NumPy-ndarray解释。但是，给定给

tf.Dataset.map（）

的函数内部的代码没有被急切地执行，这就是为什么

.numpy（）

转换在那里不起作用，并且

.map（）

不再是一个选项。是否可以对数据集进行for循环并修改其中的示例？简单地分配给他们似乎不起作用。

不，不完全是这样

数据集本质上是惰性评估的，不能以这种方式分配-从概念上讲，尝试将其视为管道而不是变量：读取每个值，通过任何

map（）

操作、

batch（）

ops等传递给模型，并根据需要显示。“分配”一个值就是将其写入.tfrecord文件中的磁盘，并且不太可能被支持（这些文件专门设计为快速读取而不是随机访问）

相反，您可以使用TensorFlow进行预处理，并使用

TfRecordWriter

在昂贵的预处理完成后写入新的tfrecord，然后使用此新数据集作为模型的输入。如果您有可用的磁盘空间，这可能是您最好的选择