自定义Python代码是否可以替代tf.py_function（）？

Question

我已经开始使用TensorFlow 2.0，并且在一个方面有一点不确定性。

假设我有这个用例：在使用I摄取数据时，tf.data.Dataset我想对某些图像应用一些特定的增强操作。但是，我现在用的是外部库 要求 ，该
图像是numpy的阵列 ， 而不是张量 。

使用时tf.data.Dataset.from_tensor_slices()，流数据必须为Tensor类型。具体示例：

def my_function(tensor_image):
   print(tensor_image.numpy()
   return


data = tf.data.Dataset.from_tensor_slices(tensor_images).map(my_function)

上面的代码无法正常工作

“张量”对象没有属性“ numpy”错误。

我已经阅读过TensorFlow 2.0的文档，指出如果要使用任意python逻辑，则应该根据以下条件使用tf.py_function 或仅
使用 TensorFlow原语 ： 如何在tensorflow中将“张量”转换为“numpy”数组？

我的问题如下 ：在具有自定义装饰器的函数中，有没有其他方法可以使用任意python代码tf.py_function呢？

老实说，似乎要比传递给tf.py_function，转换为numpy数组，执行操作A，B，C，D然后重新转换为张量并产生结果，这是一种更为优雅的方法。

Answer 1

没有其他方法可以执行此操作，因为tf.data.Datasets仍然（以性能为由，我认为它们总是在图形模式下）执行的，因此，您不能使用tf.*方法之外的任何方法，这些方法可以通过以下方式轻松转换TensorFlow以其图形表示。

使用tf.py_function是混合Python执行（因此您可以使用任何Python库）和图形执行tf.data.Dataset对象的唯一方法（与使用TensorFlow
2.0时发生的情况相反，默认情况下急于允许自然执行此混合执行） 。