Deep learning和tensorflow学习记录（二十五）：tf.contrib.data.parallel_interleave

tf.contrib.data.parallel_interleave(
    map_func,
    cycle_length,
    block_length=1,
    sloppy=False,
    buffer_output_elements=None,
    prefetch_input_elements=None

)

定义于：tensorflow/contrib/data/python/ops/interleave_ops.py。

Dataset.interleave()变换的并行版本。

parallel_interleave()映射map_func通过输入以生成嵌套数据集，并且输出其元素隔行交错。与tf.data.Dataset.interleave不同的是 ，它从cycle_length嵌套数据集中并行的获取元素，从而增加了吞吐量，尤其是在存在落后者的情况下。此外，sloppy参数可以用来提高性能，通过放宽在确定性顺序中产生输出的要求，并允许实现跳过在请求时数据元素未准备好的嵌套数据集。

用法示例：

# Preprocess 4 files concurrently.
filenames = tf.data.Dataset.list_files("/path/to/data/train*.tfrecords")
dataset = filenames.apply(
    tf.contrib.data.parallel_interleave(
        lambda filename: tf.data.TFRecordDataset(filename),
        cycle_length=4))

警告：如果sloppy是True，则生成的元素的顺序不确定。

参数：

map_func：一个函数，将嵌套结构的tensor映射到一个Dataset。

cycle_length：Dataset并行交错的输入的数量。

block_length：Dataset在前进到下一个输入之前从输入Dataset中拉出的连续元素的数量 。

sloppy：如果为false，则元素以确定的顺序生成。否则，为了方便起见，允许以非确定性顺序生成元素。

buffer_output_elements：应该缓冲的每个迭代器交错的元素数量（每个交叉迭代器的转换，类似于.prefetch()）。

prefetch_input_elements：在需要交错之前，转换为迭代器的输入元素的数量。

返回：

一个Dataset转换函数，它可以传递给 tf.data.Dataset.apply。