TensorFlow建议在用map进行变换之前对数据集进行批处理，以实现变换的矢量化，减少开销。https:/www.tensorflow.orgguidedata_performance#vectorizing_mapping
然而，在有些情况下，你想在数据集上执行转换，然后在UNBATCHED数据集上做一些事情（例如，洗牌）。
我还没能找到任何东西来说明哪种方式更有效率。
1) dataset.map(my_transformations)
2) dataset.batch(batch_size).map(my_transformations).unbatch()
(2)由于用batch做了矢量化，减少了map开销，但由于之后要解批数据集，有额外的开销。
我也可以看到它是没有一个通用的规则。在我每次尝试新的数据集或转换（或硬件！）时，都要进行测试，这里有一个好的经验法则吗？我在网上看到好几个例子都用了（2），但没有解释，但我对这个问题没有直觉，所以......
先谢谢了!
EDIT: 我后来发现，至少在某些情况下，(2)的效率比(1)低很多。例如，在我们的图像数据集上，每一个 epoch 应用随机翻转和旋转（使用 .map 和内置的 TF 函数 tf.image.random_flip_left_right, tf.image.random_flip_up_down, 和 tf.image.rot90）进行数据增强需要 (2) 50% 的时间。我仍然不知道什么时候会出现这种情况，或者不是，但教程建议的方法至少有时是错误的。
答案是（1）。https:/github.comtensorflowtensorflowissues40386
TF正在修改文档，以反映出来自非批次的开销通常（总是？）会高于来自矢量化转换的节省。