Python tf.data.experimental.shuffle_and_repeat用法及代碼示例

洗牌和重複數據集，每次重複都重新洗牌。 (已棄用)

用法

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

警告：此函數已棄用。它將在未來的版本中刪除。更新說明：使用 tf.data.Dataset.shuffle(buffer_size, seed) 後跟 tf.data.Dataset.repeat(count) 。靜態 tf.data 優化將負責使用融合實現。

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))

產生與

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

在每次重複中，此數據集用buffer_size 元素填充緩衝區，然後從該緩衝區中隨機采樣元素，用新元素替換所選元素。對於完美的混洗，將緩衝區大小設置為等於數據集的完整大小。

例如，如果您的數據集包含 10,000 個元素，但 buffer_size 設置為 1,000，則 shuffle 最初將僅從緩衝區中的前 1,000 個元素中選擇一個隨機元素。一旦選擇了一個元素，它在緩衝區中的空間就會被下一個(即第 1,001 個)元素替換，從而保持 1,000 個元素的緩衝區。