tf.image.random_flip_left_right 在训练时没效果，根本原因是它默认不启用随机性：必须传入 seed 参数（如 seed=42），且不能用于 batched 张量（仅支持 rank=3 的 [H,W,C]）；若开启 deterministic(True) 或输入为 4-D 张量，会报错或失效。
tf.image.random_flip_left_right 为什么在训练时没效果？
常见现象是调用 tf.image.random_flip_left_right 后图像完全不变，或只在部分 batch 生效。根本原因不是函数写错，而是它默认不启用随机性——必须配合 tf.data.Dataset.map 的 num_parallel_calls 和确定性控制逻辑一起用。
- 必须传入
seed参数（如seed=42），否则在 eager 模式下可能被优化掉或行为不可复现 - 若使用
tf.data.AUTOTUNE，需确保未开启dataset = dataset.with_options(tf.data.Options().deterministic(True))，否则所有随机操作会被禁用 - 该函数只对 rank=3 的张量生效（即
[height, width, channels]），输入若是 batched 形式（rank=4）会报InvalidArgumentError: Input must be 3-D - 推荐写法：
ds.map(lambda x, y: (tf.image.random_flip_left_right(x, seed=hash(y) % 2**32), y), num_parallel_calls=tf.data.AUTOTUNE)，用标签哈希做 seed 可兼顾随机性与可复现性
ImageDataGenerator 和 tf.keras.layers.RandomFlip 哪个更适合新项目？
ImageDataGenerator 是旧式 CPU 端增强，已不推荐用于新 TensorFlow 2.x 项目；tf.keras.layers.RandomFlip 是 GPU 可加速、图模式友好的原生层，且能直接嵌入模型结构中参与导出。
-
ImageDataGenerator在.flow_from_directory()中隐式做归一化（如除以 255），容易和后续Rescaling层重复导致数值过小；而RandomFlip不动像素值，只改空间布局 -
RandomFlip支持mode="train"动态启停（通过training参数），部署时设为training=False自动跳过，无需手动切 pipeline - 注意：它必须放在
tf.keras.Model内或作为tf.data.Dataset.map中的函数调用，不能单独对 numpy 数组使用——否则会报AttributeError: 'numpy.ndarray' object has no attribute 'shape'
自定义增强函数里调用 tf.py_function 容易崩？
用 tf.py_function 包裹 PIL / OpenCV 操作看似灵活，但极易触发 FailedPreconditionError: GetNext() failed because the iterator has not been initialized 或内存暴涨。本质是 Python 函数脱离了 TF 图执行上下文，无法被 XLA 编译或 GPU 调度。
- 仅当必须用 skimage.filter.gaussian 或 albumentations 等纯 Python 库时才考虑，且要显式声明
tf.TensorSpec输出形状，例如：tf.py_function(func=my_aug, inp=[image], Tout=tf.float32)必须配套tf.TensorSpec(shape=(None, None, 3), dtype=tf.float32) - 每次调用都会启动一个 Python 解释器子进程，batch size > 32 时 CPU 利用率飙升，GPU 利用率反而掉到 20% 以下
- 替代方案：优先查
tensorflow-addons是否已有对应算子（如tfa.image.shear_x），或用tf.numpy_function（更轻量，但依然不支持 GPU）
batch 后再增强 vs 增强后再 batch，性能差多少？
顺序直接影响显存占用和 pipeline 吞吐。典型错误是先 batch(32) 再做 map(augment_fn)，此时 augment_fn 输入是 [32, H, W, C] 张量，而多数 tf.image.* 函数只接受单张图（rank=3），直接报错。
- 正确顺序永远是：decode → augment（逐张）→ batch → prefetch。否则要么加
tf.map_fn增加图复杂度，要么用tf.vectorized_map（仅限 element-wise 无状态操作） - 实测 ResNet50 训练中，先 batch 再 augment 会使 step time 增加 18%～25%，因为
tf.map_fn强制同步执行，无法重叠 IO 与计算 - 若必须对 batch 整体做增强（如 Mixup），应使用
tf.keras.utils.split+tf.concat手动构造，而不是依赖 map
真正麻烦的是跨样本操作（CutMix、AutoAugment policy 采样）和设备迁移（CPU 预处理结果传 GPU 时的隐式拷贝）。这些点一旦出问题，错误信息往往不指向增强本身，而是表现为 OOM when allocating tensor 或 Graph execution error ——得倒着查 dataset.cardinality() 和 options().experimental_optimization 设置。
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！
