这是来自TensorFlow网站的代码，但解释不好，
normalization_layer = tf.keras.layers.Rescaling(1./255)
train_data = train_data.map(lambda x, y: (normalization_layer(x), y)) # Where x—images, y—labels.
我知道这段代码的目标是规范化数据并使其介于 0 和 1 之间而不是 0 到 255 之间，但我需要了解 lambda 在这里是什么意思。
我认为最好的解释方法是看一个更简单的例子：
list(map(lambda n: n * 3, [1, 2, 3, 4, 5]))
>> [3, 6, 9, 12, 15]
在这种情况下，您将应用于列表中的每个(因为map)元素n[1, 2, 3, 4, 5]相同的操作n * 3。
在您的特定情况下，它有点复杂，因为您有两个变量。发生的情况是，对于train_data的每一对(x, y)，您都按原样保留y，并将规范化应用于x。
更新，有关什么是 lambda 的更多信息。
该站点提供了很好的示例和map函数中使用的lambda的良好定义，例如您的情况：
lambda 表达式是一种内联创建小函数的方法， 没有定义的所有语法。
lambda 的代码通常是单个表达式，没有 变量或 if 语句，并且不使用"return"。Lambda 是 非常适合您有一个简短的计算来内联编写的地方。
我假设train_data是一个tf.dataset
tf.dataset中的每个元素都以X元组的形式存储，并y像这样(X,y)的值。
要访问 python 中元组中的每个元素，您可以执行
for X,y in tuple_list:
print(X)
print(y)
这基本上就是maplambda在tf.dataset中所做的
这就是地图函数内部发生的情况
- 为列车数据分配 X 图像
- 为训练数据的 Y 标签分配 y
- 您创建一个新元组，其中 x 变为
normalization_layer(x)，y 保持y - 这是针对
train_data中的每个示例完成
的 - 这被反馈并存储在
train_data中(因为您正在覆盖变量)
有关 Lambda 函数在 Python 中通常如何工作的更多信息，请参阅此处。将特别提请注意一般的 lambda 语法
lambda args: expression