1.tf.data.Dataset.from_tensor_slices()，前面的文章我们有介绍过。
2.tf.data.Dataset.shuffle(buffer_size = n)
这里的shuffle函数是将数据集进行混洗，已达到次序的优化，这里的buffer_size的作用是先从原数据集中预取n个数据，然后每次从缓冲区中抽取一个元素，来达到输入数据无序的目的，buffer_size的大小设置也会影响实验结果，一般将buffer_sizeshe设置为len（your_dataset）,即buffer_size的大小等于你数据集的大小(前提是每一个item代表的是一个单独数据，当然每个item也可代表一个batch的数据，则这时的buffer_size = len（your_dataset）// batch_size)。具体操作如图：
3.tf.data.Dataset.repeat(n)
这个其实比较好理解，就是为了加快数据处理的速度，在准备数据时，将整个数据集复制多少份，以epoch为界限，一般代码运行多少个epoch，则参数n的值为epoch的数量，相当于我们为每个epoch都准备了相应的数据。
注意：其实这里大家可以考虑一下shuffle 和 repeat的顺序关系对数据及构成有什么影响。
①先shuffle后repeat，在每一个epoch开始时都会进行shuffle的初始化，会影响性能。
②先repeat后shuffle，这样就不能保证每一个epoch能包含整个数据集的数据，有些数据可能会在一个epoch里出现多次。
因此官方建议：采用方法①的顺序。或采用：
tf.contrib.data.shuffle_and_repeat
4.tf.data.Dataset.prefetch(buffer_size)
字面理解，这个函数就是一个预取函数，那么到底预取什么呢，我们来看下面两张图：
1.传统输入方式（横轴为时间）：
2.采用预取函数后
大家对比这两张图就可以发现，预取函数讲道理就是进一步提高了CPU的利用率，在GPU/NPU进行数据运算的时候，CPU同步为下一次训练进行数据的准备工作。这里一个batch所花费的时间就是Prepare 和 train 两者之间的最大值。
本质上这是一个ET(数据准备)和L(消耗过程)的一个解耦过程。
以上几个函数所涉及到的过程，在这篇博客里有非常详细的图解，能加深各位同学的理解，链接：https://www.cnblogs.com/yaos/p/12761917.html
我们先介绍这么多，后续会继续更新。