除了自定义的Python生成器，你还可以将来自Keras的ImageDataGenerator Package 在tf.data中。
TensorFlow >= 2.10（一切都与tf.data.Dataset()有关）

# Treat it as a normal tf.data.Dataset()
   dataset = tf.keras.utils.image_dataset_from_directory (...)
   # Or any other augmentation
   normalization_layer = tf.keras.layers.Rescaling(1./255)
   normalized_dataset = dataset.map(lambda x, y: (normalization_layer(x), y))

TensorFlow <= 2.9（其中可能已显示弃用警告）以下代码片段摘自TensorFlow 2.0文档。

img_gen = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1./255, rotation_range=20)
ds = tf.data.Dataset.from_generator(
    img_gen.flow_from_directory, args=[flowers], 
    output_types=(tf.float32, tf.float32), 
    output_shapes = ([32,256,256,3],[32,5])
)

因此，仍然可以使用典型的Keras ImageDataGenerator，您只需要像上面一样将其 Package 成tf.data.Dataset。

自发布以来，TensorFlow数据集API是默认推荐的方式，可用于为TensorFlow后端构建的任何模型构建输入管道，包括Keras和低级TensorFlow。在TF 1.xx的后续版本中，它可直接用于tf.keras.Model.fit方法，如

model.fit(dataset, epochs)

这对于快速原型制作

dataset = tf.data.Dataset.from_tensor_slices((train, test))
dataset = dataset.shuffle().repeat().batch()

用于构建复杂、高性能的ETL管道4.升级您的数据输入管道，更多信息请点击此处https://www.tensorflow.org/guide/performance/datasets
根据官方文档，在TF 2.0中，这也将是默认的向模型输入数据的方式。https://www.tensorflow.org/alpha/guide/migration_guide
默认情况下，即将发布的TensorFlow版本将被急切地执行，数据集对象将变为可迭代的，并且将更易于使用。

对我来说，我更喜欢用yield构建一个生成器：

def generator(batch_size=4,path):
imgs=glob(path+'*.jpg')
while True:
    batch=[]
    for i in range(batch_size):
        idx=np.random.randint(0,len(imgs))
        img=cv.resize(cv.imread(imgs[idx]),(256,256))/255
        batch.append(img)
    batch=np.array(batch)
    yield batch

然后创建生成器并将其输入到model.fit_generator，它将工作。
你可以像这样随机选择数据，也可以使用一些重复的方法。
虽然代码很粗糙，但很容易修改，因此可以生成复杂的批处理。
请注意，这是一种使用Keras2而非TensorFlow 2.0为TF 1.X生成的方法。

2022更新

访问ImageDataGenerator documentation时，现在会显示一条过时消息，内容如下：

**已弃用：**不建议对新代码使用tf.keras.preprocessing.image.ImageDataGenerator。建议使用tf.keras.utils.image_dataset_from_directory加载图像，并使用预处理层转换输出tf.data.Dataset。有关详细信息，请参阅loading images与augmenting images的教程，以及preprocessing layer guide。