hampi提出的建议概述您的培训工作是一个很好的建议，可能对于了解您的管道中的实际瓶颈是必要的。输入管道性能指南中的其他建议也应该有用。
但是，还有另一个可能的“快速修复”可能很有用。在某些情况下，
Dataset.map()转换中的工作量可能很小，并且主要由调用每个元素的功能的成本决定。在这种情况下，我们经常尝试对map函数进行
矢量化
处理，并在
Dataset.batch()转换后将其移动，以减少调用函数的次数（在这种情况下，调用次数为1/512次），并执行更大的代码，并且可能更容易实现-
parallelize-每批操作。幸运的是，您的管道可以矢量化，如下所示：
def _batch_parser(record_batch): # NOTE: Use `tf.parse_example()` to operate on batches of records. parsed = tf.parse_example(record_batch, _keys_to_map) return parsed['d'], parsed['s']def init_tfrecord_dataset(): files_train = glob.glob(DIR_TFRECORDS + '*.tfrecord') random.shuffle(files_train) with tf.name_scope('tfr_iterator'): ds = tf.data.TFRecordDataset(files_train) # define data from randomly ordered files ds = ds.shuffle(buffer_size=10000) # select elements randomly from the buffer # NOTE: Change begins here. ds = ds.batch(BATCH_SIZE, drop_remainder=True) # group elements in batch (remove batch of less than BATCH_SIZE) ds = ds.map(_batch_parser) # map batches based on tfrecord format # NOTE: Change ends here. ds = ds.repeat() # iterate infinitely return ds.make_initializable_iterator() # initialize the iterator当前，矢量化是您必须手动进行的更改，但是
tf.data团队正在研究提供自动矢量化的优化过程。
