Python tf.data.experimental.shuffle_and_repeat用法及代码示例

洗牌和重复数据集，每次重复都重新洗牌。 (已弃用)

用法

tf.data.experimental.shuffle_and_repeat(
    buffer_size, count=None, seed=None
)

警告：此函数已弃用。它将在未来的版本中删除。更新说明：使用 tf.data.Dataset.shuffle(buffer_size, seed) 后跟 tf.data.Dataset.repeat(count) 。静态 tf.data 优化将负责使用融合实现。

d = tf.data.Dataset.from_tensor_slices([1, 2, 3])
d = d.apply(tf.data.experimental.shuffle_and_repeat(2, count=2))
[elem.numpy() for elem in d] # doctest:+SKIP
[2, 3, 1, 1, 3, 2]

dataset.apply(
  tf.data.experimental.shuffle_and_repeat(buffer_size, count, seed))

产生与

dataset.shuffle(
  buffer_size, seed=seed, reshuffle_each_iteration=True).repeat(count)

在每次重复中，此数据集用buffer_size 元素填充缓冲区，然后从该缓冲区中随机采样元素，用新元素替换所选元素。对于完美的混洗，将缓冲区大小设置为等于数据集的完整大小。

例如，如果您的数据集包含 10,000 个元素，但 buffer_size 设置为 1,000，则 shuffle 最初将仅从缓冲区中的前 1,000 个元素中选择一个随机元素。一旦选择了一个元素，它在缓冲区中的空间就会被下一个(即第 1,001 个)元素替换，从而保持 1,000 个元素的缓冲区。