数据增强是训练时对每张图像动态生成新变体的技术，它不增加原始数据集的样本数量，而是在每个 epoch 中为模型提供多样化的输入视图，从而提升泛化能力。
在 TensorFlow 中，tf.keras.Sequential 定义的数据增强流水线（如 RandomFlip → RandomRotation → RandomZoom）是一个串联变换链：对每张输入图像依次应用所有层，最终仍输出一张增强后的图像。因此，train_ds 的基数（cardinality）保持不变——增强并未“复制”样本，而是实时重绘每批次中的每张图。这正是设计初衷：以零存储开销实现无限变体，避免磁盘冗余和过拟合风险。
例如，您当前的增强定义：
data_augmentation = tf.keras.Sequential([
layers.RandomFlip("horizontal_and_vertical"),
layers.RandomRotation(0.2),
layers.RandomZoom(height_factor=(-0.3, -0.03)),
])对单张图像 x 执行的是：先随机翻转 → 再随机旋转 → 最后随机缩放，全程仅产出一个输出。故 ds.map(...) 后数据集长度恒等于原始图像数。
⚠️ 重要澄清：
- ❌ 数据增强 ≠ 样本复制（如生成 4 倍新文件存入硬盘）；
- ✅ 数据增强 = 运行时动态扰动（每个 step 输入不同，但 dataset 对象的 .cardinality() 不变）；
- ✅ 这正是 tf.data 高效流式训练的核心优势——无需预生成、不占额外磁盘空间。
若您确实需要物理扩充数据集（例如导出增强图像到文件夹），应使用离线增强工具（如 imgaug 或 albumentations），配合循环遍历原始数据并保存。但需注意：静态扩充易导致过拟合（尤其当增强策略固定），且丧失训练时随机性的正则化效果。
若坚持在 tf.data 中模拟“多视图叠加”，可构造多个独立增强分支并拼接（如答案中建议），但需谨慎处理：
if augment:
ds_orig = ds.map(lambda x, y: (x, y), num_parallel_calls=AUTOTUNE)
ds_flip = ds.map(lambda x, y: (data_augmentation_1(x, training=True), y),
num_parallel_calls=AUTOTUNE)
ds_rot = ds.map(lambda x, y: (data_augmentation_2(x, training=True), y),
num_parallel_calls=AUTOTUNE)
ds_zoom = ds.map(lambda x, y: (data_augmentation_3(x, training=True), y),
num_parallel_calls=AUTOTUNE)
ds = ds_orig.concatenate(ds_flip).concatenate(ds_rot).concatenate(ds_zoom)⚠️ 此方式虽使 cardinality 变为 4×，但会显著增加内存与 I/O 开销，且失去“同一图像在不同 epoch 接受不同增强”的随机性优势——不推荐用于常规训练。
✅ 最佳实践建议：
- 保持当前在线增强方式（高效、内存友好、正则化强）；
- 通过 model.fit(train_ds, ...) 让每个 epoch 自动获得全新增强组合；
- 若需验证增强效果，可用 next(iter(train_ds)) 可视化单批次图像变化；
- 模型评估/推理时禁用增强（training=False），确保一致性。
简言之：数据集大小不变，不是 bug，而是 feature——它代表了 TensorFlow 对“计算效率”与“泛化能力”的精妙平衡。
