对于自定义 Python 代码，是否有替代 tf.py_function() 的方法？

Question

我已经开始使用TensorFlow 2.0，有一个方面有点不确定。

假设我有这个用例：在使用 tf.data.Dataset 摄取数据时，我想对某些图像应用一些特定的增强操作。但是，我使用的外部库要求 图像是一个 numpy 数组 ， 不是张量 .

使用tf.data.Dataset.from_tensor_slices()时，流动数据需要是Tensor类型。具体例子：

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


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

上面的代码无法产生

'Tensor' object has no attribute 'numpy' error.

我已阅读有关 TensorFlow 2.0 的文档，其中指出如果要使用任意 python 逻辑，则应使用 tf.py_function 或仅使用 TensorFlow 原语 根据：

我的问题如下：是否有另一种方法可以在具有自定义 decorator/an 的函数中使用任意 python 代码比使用更简单的方法tf.py_function?

老实说，似乎必须有比传递给 tf.py_function 更优雅的方法，转换为 numpy 数组，执行操作 A、B、C、D，然后重新转换为张量和产生结果。

Answer 1

没有其他方法可以做到这一点，因为 tf.data.Datasets 仍然（而且我想，出于性能原因，它们将始终）以图形模式执行，因此，您不能在外部使用任何东西在 tf.* 方法中，TensorFlow 可以轻松将其转换为其图形表示。

使用 tf.py_function 是在使用 tf.data.Dataset 对象时混合 Python 执行（因此，您可以使用任何 Python 库）和图形执行的唯一方法（与使用 TensorFlow 2.0 时发生的情况相反，默认情况下急切允许这种混合执行）。

Is there an alternative to tf.py_function() for custom Python code?