你可以用list(ds)将它转换成一个列表，然后用tf.data.Dataset.from_tensor_slices(list(ds))将它重新编译成一个普通的Dataset。从那里你的噩梦又开始了，但至少这是一个其他人以前经历过的噩梦。
请注意，对于更复杂的数据集（例如嵌套字典），在调用list(ds)后需要更多的预处理，但这应该适用于您所问的示例。
这远不是一个令人满意的答案，但不幸的是，该类完全没有文档记录，标准的Dataset技巧都不起作用。

可以使用map从每个(input, label)对中选择输入或标签，并将其转换为列表：

import tensorflow as tf
import numpy as np

inputs = np.random.rand(100, 99)
targets = np.random.rand(100)

ds = tf.data.Dataset.from_tensor_slices((inputs, targets))

X_train = list(map(lambda x: x[0], ds))
y_train = list(map(lambda x: x[1], ds))

您可以通过循环PrefetchDataset（在我的示例中是train_dataset）来生成列表;

train_data = [(example.numpy(), label.numpy()) for example, label in train_dataset]

因此，您可以通过使用索引分别访问每个示例和标签;

train_data[0][0]
train_data[0][1]

您也可以使用Pandas将其转换为2列数据框

import pandas as pd
pd.DataFrame(train_data, columns=['example', 'label'])

然后，如果您想将列表转换回PrefetchFataset，您可以简单地使用;

dataset = tf.data.Dataset.from_generator(
lambda: train_data, ( tf.string, tf.int32)) # you should define dtypes of yours

你可以检查它是否能用这个

list(dataset.as_numpy_iterator())

如果要保留批次或将所有标签提取为单个Tensor，可以使用以下函数：

def get_labels_from_tfdataset(tfdataset, batched=False):

    labels = list(map(lambda x: x[1], tfdataset)) # Get labels 

    if not batched:
        return tf.concat(labels, axis=0) # concat the list of batched labels

    return labels

这是Dataset.prefetch（）方法返回的类，它是Dataset的子类。
如果通过将ReadConfig传递给生成器来设置skip_prefetch=Ture，则返回的类型将改为_OptionsDataset。

read_config = tfds.ReadConfig(skip_prefetch = True)
dataset_builder.as_dataset(
    ......,
    read_config = read_config,
)

https://www.tensorflow.org/api_docs/python/tf/data/Dataset#prefetch

我的对象也有类似的问题，如下所示：

type(train_ds)
>> tensorflow.python.data.ops.dataset_ops.PrefetchDataset

我设法从一个批次中提取特征和标签，方法是：

[(train_features, label_batch)] = train_ds.take(1)
print(np.array(label_batch))

可以使用map（）函数一次性迭代
ratings.map(lambda x: x["feature name"])

如果你使用批处理创建了你的tf.data.Dataset，并且你想要两个单独的numpy数组，这将把每个列表的列表连接成一个数组。

train_data = list(train_ds)
features = np.concatenate([train_data[n][0] for n in range(0, len(train_data))])
targets = np.concatenate([train_data[n][1] for n in range(0, len(train_data))])