看看你链接的文档，dataset似乎有concatenate方法，所以我假设你可以得到一个联合数据集：

ds_train = datasets['train']
ds_test = datasets['test']
ds_valid = datasets['validation']

ds = ds_train.concatenate(ds_test).concatenate(ds_valid)

参见：https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/data/Dataset#concatenate

我还想提一下，如果你需要连接多个数据集（例如，数据集列表），你可以用一种更有效的方式来做：

ds_l = [ds_1, ds_2, ds_3] # list of `Dataset` objects
# 1. create dataset where each element is a `tf.data.Dataset` object
ds = tf.data.Dataset.from_tensor_slices(ds_l)
# 2. extract all elements from datasets and concat them into one dataset
concat_ds = ds.interleave(
    lambda x: x,
    cycle_length=1,
    num_parallel_calls=tf.data.AUTOTUNE,
)

你也可以使用flat_map()，但我认为使用interleave()与并行调用更快。一般来说，interleave是flat_map的推广。

如果数据集来自同一个TFDS数据集，您可以直接使用split API合并它们：

ds = tfds.load('celeb_a', split='train+test+validation')

或者使用特殊的all分割：

ds = tfds.load('celeb_a', split='all')

文件：https://www.tensorflow.org/datasets/splits