Python tf.compat.v1.data.TFRecordDataset.batch用法及代码示例

用法

batch(
    batch_size, drop_remainder=False, num_parallel_calls=None, deterministic=None,
    name=None
)

参数

batch_size tf.int64 标量 tf.Tensor ，表示要在单个批次中组合的此数据集的连续元素的数量。
drop_remainder (可选。)一个 tf.bool 标量 tf.Tensor ，表示在最后一批少于 batch_size 元素的情况下是否应删除它；默认行为是不丢弃较小的批次。
num_parallel_calls (可选。)tf.int64 标量 tf.Tensor ，表示要并行异步计算的批次数。如果未指定，批次将按顺序计算。如果使用值tf.data.AUTOTUNE，则并行调用的数量根据可用资源动态设置。
deterministic (可选。)指定 num_parallel_calls 时，如果指定了此布尔值( True 或 False )，它将控制转换生成元素的顺序。如果设置为 False ，则允许转换产生无序元素，以用确定性换取性能。如果未指定，则 tf.data.Options.deterministic 选项(默认为 True)控制行为。
name (可选。) tf.data 操作的名称。

Dataset 一个Dataset。

将此数据集的连续元素组合成批次。

dataset = tf.data.Dataset.range(8)
dataset = dataset.batch(3)
list(dataset.as_numpy_iterator())
[array([0, 1, 2]), array([3, 4, 5]), array([6, 7])]

dataset = tf.data.Dataset.range(8)
dataset = dataset.batch(3, drop_remainder=True)
list(dataset.as_numpy_iterator())
[array([0, 1, 2]), array([3, 4, 5])]

结果元素的组件将有一个额外的外部维度，它将是batch_size(或者如果batch_size没有将输入元素N的数量除以drop_remainder是最后一个元素，则为N % batch_size，并且drop_remainder是False)。如果您的程序依赖于具有相同外部尺寸的批次，则应将 drop_remainder 参数设置为 True 以防止生成较小的批次。

注意：如果您的程序要求数据具有静态已知的形状(例如，使用 XLA 时)，您应该使用 drop_remainder=True 。如果没有drop_remainder=True，输出数据集的形状将具有未知的前导维度，因为最终批次可能较小。

相关用法

注：本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.compat.v1.data.TFRecordDataset.batch。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法

参数

返回