我在学习 TensorFlow，tf.data API 让我感到困惑。显然，它在处理大型数据集时表现更好，但使用数据集时，必须将其转换回张量。但为什么不直接使用张量呢？为什么以及在什么时候我们应该使用 tf.data？
为什么 tf.data 不能一次性返回整个数据集，而是通过 for 循环处理？当我只是最小化数据集的一个函数（比如使用 tf.losses.mean_squared_error 时），我通常通过张量或 numpy 数组输入数据，我不知道如何通过 for 循环输入数据。我该怎么做？
回答：
tf.data模块具有特定的工具，可以帮助构建机器学习模型的输入管道。一个输入管道接收原始数据，对其进行处理，然后将其输入到模型中。
我什么时候应该使用
tf.data模块？
tf.data 模块在你拥有以文件形式的大型数据集时很有用，比如 .csv 或 .tfrecord。 tf.data.Dataset 可以高效地执行样本的洗牌和批处理。对于大型数据集和小型数据集都很有用。它还可以合并训练和测试数据集。
我如何创建批次并遍历它们进行训练？
我认为你可以用 NumPy 和 np.reshape 方法高效地做到这一点。Pandas 可以为你读取数据文件。然后，你只需要一个 for ... in ... 循环来获取每个批次并将其传递给你的模型。
我如何将 NumPy 数据输入到 TensorFlow 模型中？
有两种选择可以使用 tf.placeholder() 或 tf.data.Dataset。
tf.data.Dataset是一个更简单的实现。我建议使用它。此外，它还具有一些很好的方法集。tf.placeholder创建一个占位符张量，用于将数据输入到 TensorFlow 图中。这个过程会消耗更多的时间来输入数据。
