用途：该技能用于构建高效、可扩展的 tf.data 数据管道，改善模型训练性能，避免数据加载成为 GPU/TPU 瓶颈。
主要能力：支持从张量切片（from_tensor_slices）、生成器函数（from_generator）和范围（range）创建数据集；提供 map、batch、shuffle、cache、prefetch、repeat、take、skip、interleave、group_by_window、sample_from_datasets 等转换；支持图像归一化、随机翻转、亮度/对比度调整、缩放与旋转等增强；支持 TFRecord、CSV、图像文件等格式解析；并提供分布式数据集与自定义训练循环集成示例。
使用方式：典型流程是创建数据集后按顺序应用 map（可配合 num_parallel_calls=tf.data.AUTOTUNE）、cache（放在耗时预处理之后）、shuffle（放在 batch 之前）、batch、最后 prefetch(tf.data.AUTOTUNE)。训练时可直接将数据集传入 model.fit()，也可在自定义训练循环中迭代。
适用场景：适用于超出内存的大数据集加载与预处理、数据增强、变长序列批处理、多文件并行读取、分布式训练、实时增强、内存流式优化，以及高效划分训练/验证/测试集。
限制与注意事项：资料强调应始终使用 prefetch、合理使用缓存与打乱缓冲、避免先 batch 后 shuffle、避免将超大数据集整体载入内存、验证集不应 repeat；缓存过大数据可能导致内存不足。具体版本兼容性与性能收益暂未提供。