高效的数据处理对于训练机器学习 (machine learning)模型很重要，尤其是在处理大型数据集时，I/O可能成为主要的瓶颈。TensorFlow 的 tf.data API 提供了一种强大而灵活的方式，用于构建高性能的输入管道，将数据提取和转换与模型训练分离。

在本章中，你将学会高效地使用 tf.data API。我们将学习以下内容：

• 从多种来源创建 tf.data.Dataset 对象，包括内存中的数组（NumPy, Tensors）、Python 生成器，以及 TFRecord 等优化过的文件格式。
• 使用 map() 进行元素级预处理、batch() 进行数据分组、shuffle() 进行随机化以及 prefetch() 进行性能优化等方法，应用常见的数据转换。
• 将你的自定义 tf.data 管道方便地与 Keras model.fit() API 集成，用于训练和评估。
• 在管道中直接实现图像数据增强等技术。

完成本章后，你将能够为你的 TensorFlow 模型构建可扩展且高效的数据加载机制。