Tensorflow 关于将多维张量重塑为[-1，n]

在阅读tensorflow分段时，我试图弄清楚以下实现的目的是什么

一个

x

张量的定义如下

self.x=tf.placeholder（“float”，shape=[None，None，None，n_标签]）

稍后，一个函数尝试调用转换后的张量“x1”，该张量定义为

x1=tf.reformate（self.x，[-1，n_标签]）

我的理解是

tf.reformate（self.x，[-1，n_标签]）

应该尝试重新塑造 将x张量转换为一维向量

---

但是我有点搞不清x是怎么定义的，它被定义为

shape=[None，None，None，n_label]

和x1这样转换的。x1到底应该是什么样子？为什么这样做？

None

表示我们不希望在创建图形时指定维度，而是希望在运行时确定维度。例如，当您想在训练和推理过程中使用不同的小批量时，它可能很有用

---

对于某些维度，使用

-1

重塑表示“保留张量的总大小”。例如，对形状为[3,4,2]的x进行整形（x，[-1,2]）将产生形状为[12,2]的新张量

None

表示我们不希望在创建图形时指定维度，而是希望在运行时确定维度。例如，当您想在训练和推理过程中使用不同的小批量时，它可能很有用

对于某些维度，使用

-1

重塑表示“保留张量的总大小”。例如，对形状为[3,4,2]的x进行整形（x，[-1,2]）将产生形状为[12,2]的新张量