对于自定义Python代码，是否有tf.py_function（）的替代方法？

我已经开始使用TensorFlow 2.0，在一个方面有点不确定

假设我有这样一个用例：当使用

tf.data.Dataset

摄取数据时，我想对一些图像应用一些特定的增强操作。但是，我使用的外部库要求图像是一个numpy数组，而不是张量

当使用

tf.data.Dataset.from_tensor_slices（）

时，流动数据需要为tensor类型。具体例子：

def my_function(tensor_image):
   print(tensor_image.numpy()
   return


data = tf.data.Dataset.from_tensor_slices(tensor_images).map(my_function)

上面的代码无法生成

“Tensor”对象没有属性“numpy”错误

我已经阅读了TensorFlow 2.0的文档，其中指出，如果想要使用任意python逻辑，应该使用

tf.py_函数

或仅使用TensorFlow原语，具体如下：

我的问题如下：有没有比使用

tf.py_函数

更简单的方法在带有自定义装饰器的函数中使用任意python代码

---

老实说，在我看来，一定有比传递给

tf.py_函数

，转换成numpy数组，执行操作a、B、C、D，然后重新转换成张量并产生结果更优雅的方法

没有其他方法可以做到这一点，因为

tf.data.Dataset

s仍然以图形模式执行（我想，出于性能原因，它们将始终以图形模式执行），因此，您不能使用

tf.*

方法之外的任何方法，这些方法可以通过TensorFlow轻松转换为其图形表示形式

使用

tf.py_函数

是在使用

tf.data.Dataset

对象时混合Python执行（因此，您可以使用任何Python库）和图形执行的唯一方法（与使用TensorFlow 2.0时的情况相反，默认情况下，渴望允许这种混合执行）