我一直在研究自定义Tensorflow数据集的不同方法，我习惯于查看PyTorch的数据集，但当我查看Tensorflow's datasets时，我看到了以下示例：

class ArtificialDataset(tf.data.Dataset):
  def _generator(num_samples):
    # Opening the file
    time.sleep(0.03)

    for sample_idx in range(num_samples):
      # Reading data (line, record) from the file
      time.sleep(0.015)

      yield (sample_idx,)

  def __new__(cls, num_samples=3):
    return tf.data.Dataset.from_generator(
        cls._generator,
        output_signature = tf.TensorSpec(shape = (1,), dtype = tf.int64),
        args=(num_samples,)
        )

但两个问题出现了：
1.看起来它所做的只是当对象被示例化时，__new__方法只调用tf.data.Dataset.from_generator静态方法。那么为什么不直接调用它呢？为什么还要对tf.data.Dataset进行子类化呢？有没有从tf.data.Dataset中使用的方法？
1.是否有一种方法可以像数据生成器那样完成它，在这种方法中，用户在从tf.data.Dataset继承的同时填写__iter__方法？

class MyDataLoader(tf.data.Dataset):
  def __init__(self, path, *args, **kwargs):
    super().__init__(*args, **kwargs)
    self.data = pd.read_csv(path)

  def __iter__(self):
    for datum in self.data.iterrows():
      yield datum

非常感谢大家！