The tf.data.Dataset API is very rich, mainly including creating data sets, applying transforms, data iteration, etc.
First, the first look at the Dataset class
The easiest way is to create according to the python list:
To process file data, use tf.data.TextLineDataset:
For TFRecord format you can use TFRecordDataset:
For data that matches all file formats, you can use tf.data.Dataset.list_files:
Transformations
With data, you can use the map function to transform the data:
What types does Dataset support:
Including nested tuples, named tuples, dictionaries, etc. Elements can be of any type:
tf.Tensor, tf.data.Dataset, tf.SparseTensor, tf.RaggedTensor, And tf.TensorArray. 
As you can see from the above, the Dataset has a parameter:variant_tensor， 具有一个表示元素类型的属性： element_spec
The following details the Dataset class methods
Second, the methods of the Dataset class (26 in total)
1. __iter__
As the name suggests, return an iterator of the data set. And can be used in eager mode.
2. apply
apply(
transformation_func
)Apply transformation to data
3. as_numpy_iterator (It seems that version 2.0.0 does not have this method)
Returns an iterator that converts data elements to numpy, making it easy to view only the elements . This operation has fewer element types and types than direct printing:
This method only needs to be in eager mode, and only displays the data itself:
as_numpy_iterator() The original nested format of the data elements will be preserved:
If the data contains a non-Tensor value, TypeError will be reported, and RuntimeError will be reported if it is used in non-eager mode.
4. batch
batch(
batch_size, drop_remainder=False
)This method groups data into batches.
The parameter drop_remainder is similar to drop_last in pytorch:
5. cache
cache(
filename=''
)Cached data, according to the current iteration, the element will be cached in a specific place, and subsequent iterations will use the cached data.
当缓存到文件时，在整个运行过程缓存数据将保持，首次迭代 也将从缓存文件中读取数据。如果在.cache()调用之前改变了数据源，将不会有任何影响。除非cache文件被移除或者文件名更换：
第二次虽然改变了源数据，仍打印出原始数据的内容。 如果调用该函数时没有提供文件名，则数据将缓存到memory中。
6. concatenate
concatenate(
dataset
)通过连接给定的数据集得到新数据集，注意类型要一致。
7. enumerate
enumerate(
start=0
)按要求枚举数据，和python的enumerate类似。
8. filter
filter(
predicate
)过滤数据集，输入为函数（映射数据为布尔类型）
9. flat_map
flat_map(
map_func
)拉伸数据。如果要确保数据集的顺序保持不变可以用该函数，例如将批量数据拉伸至元素级别：
10. from_generator
@staticmethod
from_generator(
generator, output_types, output_shapes=None, args=None
)建立一个数据集，其中的元素由生成器generator产生。generator的参数必须是可callable的类，返回支持iter()的类。产生的元素必须与output_types一致，output_shapes参数可选。
11. from_tensor_slices
@staticmethod
from_tensor_slices(
tensors
)这个方法早在前面许多例子中用到了，从给定tensor切片中创建数据集。从第一维度进行slice，保留了输入tensor的结构，移除每个tensor的第一维度并作为数据集的维度。所有的输入tensor必须有相同的第一维度。
利用zip将不同dataset打包到一起：
输出：
两个tensor只要第一维一样就可以结合到一个dataset中：
12. from_tensor
@staticmethod
from_tensors(
tensors
)与上面不同的是不含切片，只是将整个tensor作为一个dataset。例如：
和上一个方法的一个共同点：如果输入tensors中包含numpy数组，并且eager模型未开启，则将会被嵌入到graphs中作为一个或多个tf.constant.对于大型数据集（>1GB），这可能会浪费存储。如果tensors中包含一个或多个大型numpy数组，可以考虑利用这里this guide.的操作。
13. interleave
interleave(
map_func, cycle_length=-1, block_length=1, num_parallel_calls=None
)将map_func映射到整个数据集。并分发结果。
14. list_files
@staticmethod
list_files(
file_pattern, shuffle=None, seed=None
)匹配一个或更多的glob模式，file_pattern参数应当小于glob patterns，否则可以用Dataset.from_tensor_slices(filenames) 就好。
15. map
map(
map_func, num_parallel_calls=None
)这个函数也已经用了多次，将map_func 应用到整个数据集中。
16. padded_batch
padded_batch(
batch_size, padded_shapes, padding_values=None, drop_remainder=False
)此转换将输入数据集的多个连续元素合并为一个元素。类似于tf.data.Dataset.batch，将会有一个新增的batch维度，不同的是此时输入的元素可能shape不同，该转换将会pad每个元素来得到应有的padding_shapes。这个参数决定了最后的输出批量维度。如果维度是一个常数e.g. tf.compat.v1.Dimension(37)，元素将会在该维度被pad到该长度，如果维度是未知的e.g. tf.compat.v1.Dimension(None)，将会被pad到所有元素的最大长度。
17. prefetch
prefetch(
buffer_size
)从数据集中建立预读取元素。大多数数据集输入结构都应该以预读取prefetch结束。这允许在处理当前元素时准备后面的元素。这通常会提高延迟和吞吐量，代价是使用额外的内存来存储预取的元素。
和batch方法一起使用：
examples.prefetch(2) will prefetch two elements (2 examples), while examples.batch(20).prefetch(2) will prefetch 2 elements (2 batches, of 20 examples each).
18. range
@staticmethod
range(
*args
)也已经用过多次了：建立一定范围内的元素数据集
19. reduce
reduce(
initial_state, reduce_func
)将输入元素整合成单一元素。该转换将会已知在每个元素上调用reduce_func函数，直到遍历数据集结束。initial_state参数用于初始状态。
注意reduce_func参数需要两个参数为 (old_state, input_element)，这两个茶树会被映射到new_state，当然最开始的old_state就是initial_state，所以这些state的格式应当一致。最终返回的就是final state。这样就好理解上图中的例子了。
20. repeat
repeat(
count=None
)就是按照重复次数来重复输入元素。
21. shard
shard(
num_shards, index
)创建一个仅包含1/num_shards原有数据集大小的数据集。 index实现开始索引。
在分布式训练的时候很有用，因为者可以划分给每个设备一个子集。当读取到一个单一的输入文件时，可以这样做：
重要注意事项：在使用任何随机化操作符（如shuffle）之前，一定要切分。通常，最好在数据集管道的早期使用shard操作符。例如，从一组TFRecord文件中读取时，在将数据集转换为输入样本之前切分。这样就避免了读取每个工人的每个文件。下面是一个完整管道内高效分片策略的示例：
21. shuffle
shuffle(
buffer_size, seed=None, reshuffle_each_iteration=None
)随即打散输入数据。数据填buffer_size大小的元素到buffer中，然后在该buffer中进行随机采样。对于完美的打散计划，buffer尺寸应大于等于所需的数据集尺寸。例如你的数据集有10000个元素，但是buffer_size设置为1000，然后仅会从这1000个元素中进行随机选择。一旦某个元素被选定，其位置就会被下个（额外的）元素取代从而保持buffer大小为1000。参数reshuffle_each_iteration 控制是否不同epoch保持相同的shuffle顺序。在TF1.X版本中，惯用的方法是通过repeat转换：
在TF2.0版本中，tf.data.Dataset是python可迭代的，所以通过python迭代也可以创建批量：
22. skip
skip(
count
)创建一个数据集：跳过count参数之前的元素：
如果count参数大于当前数据集的大小，新的数据集将不包含任何数据。如果将其设为-1，则包含整个数据。
23. take
take(
count
)创建一个数据集：最多包含count数目大小的数据集：
如果count=-1 或者count大于整个数据集尺寸，新的数据集将包含整个数据集。
24. unbatch
将数据集划分到多个元素。就是batch的反向操作，最后结果是分解掉了batch的维度：
25. window
window(
size, shift=None, stride=1, drop_remainder=False
)结合输入元素到windows，windows指的是一个有限的数据集，尺寸为size或更小：如果没有足够输入元素来填充这个window或者drop_remainder参数为False。stride参数决定了输入元素的步长，shift参数决定window的偏移。后三个参数都是可选。size表示形成window所需要结合的数据元素数目（窗口大小）。shift表示每次迭代的滑动数目。stride表示每个窗口中元素步长。最后一个参数表示是否丢弃当前窗口，如果其尺寸小于指定的size。
26. zip
@staticmethod
zip(
datasets
)打包多个数据集，用到多次了。和python基本一样，差别在于datasets参数可以实任意嵌套的Dataset类。
整理编辑自：https://www.tensorflow.org/api_docs/python/tf/data/Dataset