我正在学习使用TensorFlow的tf.data API，发现它大大减慢了我的代码速度，按每轮(epoch)的时间来衡量。这与我原先的预期恰恰相反。我编写了一个简单的线性回归程序来测试这个问题。
简而言之：对于10万条训练数据，如果使用全批次训练，tf.data会使每轮的时间增加大约十倍。如果使用更小的批次，情况会更糟。而对于500条训练数据，情况则恰恰相反。
我的问题：这是怎么回事？我的实现有问题吗？我读到的其他资料显示，tf.data应该能提高大约30%的速度。
...我的输出结果如下：
不使用tf.data，数据量为500，输入维度为10，使用全批次训练，运行10轮平均耗时0.20243382899980134秒。
不使用tf.data，数据量为100000，输入维度为10，使用全批次训练，运行10轮平均耗时0.2431719040000644秒。
使用tf.data，数据量为500，输入维度为10，批次大小为50，运行10轮平均耗时0.09512088866661846秒。
使用tf.data，数据量为500，输入维度为10，批次大小为500，运行10轮平均耗时0.07286913600000844秒。
使用tf.data，数据量为100000，输入维度为10，批次大小为50，运行10轮平均耗时4.421892363666605秒。
使用tf.data，数据量为100000，输入维度为10，批次大小为100000，运行10轮平均耗时2.2555197536667038秒。
编辑：修复了Fred Guth指出的一个重要问题。不过，这对结果影响不大。
回答：
这是因为你在比较苹果和香蕉。
一方面，使用占位符时，你提供的是一个整体的张量。另一方面，使用Dataset时，你将张量切割成单个样本。这两者是非常不同的。
在Dataset管道中提供整体占位符张量的等效方法是使用tf.data.Dataset.from_tensors。当我在你的例子中使用from_tensors时，我得到的计算时间与使用占位符时相似（实际上更短）。
如果你想比较使用from_tensor_slices的更复杂的管道，你应该与占位符进行公平的比较。例如，对数据进行洗牌。对你的切片进行一些预处理。我毫不怀疑你会观察到促使人们转向这种管道的性能提升。
