正确做法是先将切片结果转为tf.tensor再用from_tensor_slices，或用from_generator配合py_function；务必设置output_signature、num_parallel_calls=tf.data.autotune、prefetch，并统一patch尺寸。
大图切片后直接用 tf.data.Dataset.from_tensor_slices 会出错
TensorFlow 的 from_tensor_slices 要求输入是可迭代的张量或 NumPy 数组，但大图切片后往往生成的是 Python 列表（比如 [patch1, patch2, ..., patchN]），且每个 patch 尺寸一致——这看似合规，实则容易触发 ValueError: Failed to convert a NumPy array to a Tensor，尤其当 patch 是 uint8、未归一化、或含非连续内存时。更关键的是，它默认不启用并行预处理，map 和 batch 若不显式配置 num_parallel_calls，推理吞吐几乎无提升。
正确做法是：先将切片结果转为 tf.Tensor（而非 Python list），再用 tf.data.Dataset.from_tensor_slices；或更稳妥地，用 tf.data.Dataset.from_generator 配合 tf.py_function 控制切片逻辑。
- 切片后立刻调用
np.stack(patches, axis=0)或tf.stack(patches, axis=0)，确保输入是单个张量 - 若切片逻辑复杂（如带坐标映射、动态 padding），优先选
from_generator，避免数据在内存中重复拷贝 - 务必设置
output_signature，否则from_generator在 graph mode 下会报TypeError: Expected output_signature to be a nested structure of TensorSpec
tf.data.Dataset.map 不加 num_parallel_calls=tf.data.AUTOTUNE 就等于没并行
很多人写了 dataset.map(inference_fn) 就以为开启了并行推理，其实不然。默认 num_parallel_calls=None，map 操作是串行执行的，GPU 利用率极低，CPU 也只跑单线程。真正起效必须显式传参，且推荐用 tf.data.AUTOTUNE 让运行时自动调节并发数。
- 别写
num_parallel_calls=4这类固定值——不同机器 CPU 核数、模型大小、batch 内 patch 数差异很大 - 搭配
prefetch(tf.data.AUTOTUNE)，防止 GPU 等待数据，这是端到端流水线的关键一环 - 注意：如果
inference_fn内部调用了model.predict()（非 eager 模式），需确保模型已用@tf.function装饰，否则map中无法 trace
GPU 推理时 batch 内 patch 尺寸不一致会导致 InvalidArgumentError: All input tensors must have the same shape
大图边缘切片常出现尺寸不足（如原图 5120×3840，按 512×512 切，最后一行/列只剩 320px）。若直接把所有 patch 塞进同一个 batch，tf.data.Dataset.batch 会因 shape 不匹配失败。常见错误思路是“用 pad_to_multiple_of 补零”，但这会污染模型输入，尤其对 CNN 的感受野和 stride 敏感。
更合理的方式是：切片阶段就做统一 resize 或 padding，并记录原始尺寸用于后续还原；或者，改用 tf.data.Dataset.bucket_by_sequence_length 分桶 batching（适合 patch 尺寸离散但种类少的场景）。
- 推荐预处理时统一 resize 到固定尺寸（如
tf.image.resize(patch, [512, 512])），比 padding 更鲁棒 - 若必须保留原始比例，用
tf.image.pad_to_bounding_box+tf.image.crop_to_bounding_box组合，确保 padding 位置可控 - 切忌在
map函数里用tf.cond动态判断尺寸再 pad——会极大拖慢 pipeline，应前置完成
多 GPU 上用 tf.distribute.MirroredStrategy 时，切片逻辑必须放在 strategy.scope() 外
切片是纯 CPU 数据准备步骤，跟模型分布无关。若把切片代码（比如 sliding_window_view 或自定义切块函数）写进 strategy.scope()，TensorFlow 会尝试将其放入计算图，轻则报 NotImplementedError: Cannot convert a symbolic Tensor，重则 silently 复制切片逻辑到每个 device 导致 OOM。
正确结构是：先在 host CPU 完成全部切片 + 构建 tf.data.Dataset，再在 strategy.scope() 内构建/加载模型，最后用 strategy.experimental_distribute_dataset(dataset) 分发数据集。
- 切片函数本身不能含任何
tf.Variable或@tf.function装饰 -
experimental_distribute_dataset返回的是DistributedDataset，不能直接list()或as_numpy_iterator()，只能传给strategy.run或模型fit/predict - 若用
model.predict()推理，记得设verbose=0，否则进度条在多卡下会乱序打印
最易被忽略的一点：切片 stride 和模型 receptive field 必须对齐。比如模型最后一层有 32 像素下采样，但你用 stride=16 切片，边缘 patch 的预测结果在拼接时会出现不可逆的边界伪影——这不是代码 bug，而是信号处理原理问题。实际部署前，务必用小图 + 可视化 patch 输出，确认 overlap 区域的预测值是否连续。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
