由于TensorFlow中tensor数据类型的特殊性，对它的处理往往是一件比较头疼的事情。有些情况需要将其转换为numpy array进行计算，这时有一个很有效的函数py_func，这里举一个使用例子，函数本身的用法可见参考资料。
augment = lambda x: dict(image=augment_shift(augment_mirror(x['image']), 4), label=x['label'])
augment是一个数据增强函数，augment_mirror和augment_shift都是使用TensorFlow函数实现的数据增强操作，此函数是用lambda表示的，为了便于后续修改，转换成常规的函数表示。
def augment(x):
return dict(image=augment_shift(augment_mirror(x['image']), 4), label=x['label'])
引入tf.py_func函数，输入三个参数，第一个_aug是一个处理函数，处理numpy array类型数据。第二个参数是Tensor数据列表，这里只有一个Tensor数据，但也要以列表形式作为输入，第三个参数是经过_aug输出再转换成Tensor数据的类型。augment_shift_np和augment_mirror_np分别是augment_shift和augment_mirror的函数的numpy实现。_aug函数输入的image即为py_func第二个输入参数列表中的x[‘image’]，前者为numpy array类型，后者为Tensor类型。
def augment(x):
def _aug(image):
return augment_shift_np(augment_mirror_np(image), 4)
aug_image = tf.py_func(_aug, [x['image']], tf.float32)
return dict(image=aug_image, label=x['label'])
参考：