tf.data.Dataset映射预处理未生效，为何始终显示同一张图像？

核心原因1：仅使用了1个训练样本 #

你构建数据集时只取了data_train[0:1]和labels_train[0:1]，这意味着整个数据集只有1张图像。不管后续做多少次shuffle、随机增强，最终能显示的始终是这张图，自然看不出变化。

核心原因2：随机增强的参数设置几乎无视觉差异 #

你设置的随机对比度范围是0.99到0.999，这个区间的对比度调整幅度极小，肉眼几乎无法分辨出前后差异，就算增强生效了也看不出来。

额外优化点：数据处理顺序建议 #

当前代码先做batch(64)再做随机增强，虽然对单样本场景无影响，但常规做法是先做随机数据增强，再进行batch操作，这样能确保每个样本独立被随机处理：

train_dataset = (tf.data.Dataset.from_tensor_slices((data_train, labels_train))  # 取全部样本
                 .shuffle(len(data_train))  # 用数据集长度作为shuffle缓冲区大小
                 .map(lambda x,y: (tf.cast(x, tf.float32), y))
                 .map(lambda x,y: (tf.image.random_flip_left_right(x), y))
                 .map(lambda x,y: (tf.image.random_contrast(x, 0.5, 1.5), y))  # 扩大对比度范围
                 .map(lambda x,y: (tf.clip_by_value(x, 0., 255.)/255., y))
                 .batch(64)
                 .prefetch(10))

验证方法 #

修改后可以多次迭代数据集查看效果：

for _ in range(3):
    for x,y in train_dataset.take(1):
        plt.imshow(x[0])
        plt.show()

每次显示的同一张原始样本的增强版本会有明显差异，证明增强生效。

内容的提问来源于stack exchange，提问作者Alberto