随着最近升级到1.4版，Tensorflow在库核心中包含了tf.data。 version 1.4 release notes中描述的一个“主要新特征”是tf.data.Dataset.apply()，这是一种“应用自定义转换函数的方法”。这与现有的tf.data.Dataset.map()有什么不同？
区别在于map将分别对Dataset的每个元素执行一个函数，而apply将立即对整个Dataset执行一个函数（例如文档中给出的group_by_window）。
当apply的参数是一个接受一个元素并返回一个变换元素的函数时，Dataset的参数是一个接受Dataset并返回map的函数。
Sunreef's answer绝对正确。你可能仍然想知道我们为什么介绍Dataset.apply()，我想我会提供一些背景知识。
tf.data API具有一组核心转换，如Dataset.map()和Dataset.filter()，它们通常适用于各种数据集，不太可能发生变化，并作为tf.data.Dataset对象上的方法实现。特别是，它们与TensorFlow中的其他核心API具有相同的backwards compatibility guarantees。
但是，核心方法有点限制。我们还希望在将新转换添加到核心之前自由地尝试新的转换，并允许其他库开发人员创建自己的可重用转换。因此，在TensorFlow 1.4中，我们拆分了一组生成在tf.contrib.data中的自定义转换。自定义转换包括一些具有非常特定功能（如tf.contrib.data.sloppy_interleave()），以及一些API仍处于不稳定状态（如tf.contrib.data.group_by_window()）。最初我们将这些自定义转换实现为从Dataset到Dataset的函数，这对函数管道的语法流程产生了不幸的影响。例如：
dataset = tf.data.TFRecordDataset(...).map(...)
# Method chaining breaks when we apply a custom transformation.
dataset = custom_transformation(dataset, x, y, z)
dataset = dataset.shuffle(...).repeat(...).batch(...)
由于这似乎是一种常见的模式，我们添加了Dataset.apply()作为在单个管道中链接核心和自定义转换的方法：
dataset = (tf.data.TFRecordDataset(...)
.map(...)
.apply(custom_transformation(x, y, z))
.shuffle(...)
.repeat(...)
.batch(...))
这是宏观方案中的一个小功能，但希望它有助于使tf.data程序更容易阅读，并且库更容易扩展。
我没有足够的声誉来发表评论，但我只是想指出，你可以实际使用地图来应用数据集中的多个元素，这与@ sunreef对自己帖子的评论相反。
根据文档，map用作参数
map_func：将张量的嵌套结构（具有由self.output_shapes和self.output_types定义的形状和类型）映射到张量的另一个嵌套结构的函数。
output_shapes由数据集定义，可以使用批处理等api函数进行修改。因此，例如，您可以仅使用dataset.batch和.map执行批量规范化：
dataset = dataset ...
dataset.batch(batch_size)
dataset.map(normalize_fn)
似乎apply()的主要用途是当你真的想要在整个数据集中进行转换时。