Tensorflow 张量流CNN MNIST示例：批量大小如何在模型中工作

在tensorflow的CNN MNIST示例中，我不理解批量大小是如何工作的，当他们调用模型时，他们指定bach的大小为100：

train_input_fn = tf.estimator.inputs.numpy_input_fn(
x={"x": train_data},
y=train_labels,
batch_size=100,
num_epochs=None,shuffle=True)
mnist_classifier.train(input_fn=train_input_fn,steps=20000,hooks=[logging_hook])

但当调用模型时：

def cnn_model_fn(features, labels, mode):
  # Input Layer
  # Reshape X to 4-D tensor: [batch_size, width, height, channels]
  # MNIST images are 28x28 pixels, and have one color channel
  input_layer = tf.reshape(features["x"], [-1, 28, 28, 1])

他们把-1放在批量大小中，我在tensorflow教程中读到了-1，当他们告诉计算机推断尺寸时，他们使用了-1。我不明白的是，在我们把100放进去之前，现在因为-1不明白如何将批量大小输入到模型中，你能帮我解释一下吗？谢谢。

tl；博士

tf.reformate（）

方法中的属性

batch\u size

与

tf.estimator.inputs.numpy\u input\u fn

函数中的

batch\u size

属性完全不同

输入中的批量大小
方法
tf.estimator.inputs.numpy\u input\u fn的属性
batch\u size
控制在特定历元（或时间实例）对数据集的观察值（或行或记录）进行训练或评估的数量。因此，在提供的示例中，
batch_size=100
表示数据集中的100行（在本例中为图像）将在每个历元由学习算法进行训练

重塑张量
方法
tf.reformate
用于改变张量的形状。方法
tf.reformate
具有属性
（张量，形状）
。从文档中可以看出，
shape
属性有一个特殊值
-1
，该值可以推断特定轴的尺寸，以保留总尺寸。因此，从提供的示例
[-1,28,28,1]
转换为
[batch\u size，row，column，channel]
。
batch_size
为-1意味着TensorFlow将保持图像的大小，因为它被重塑为所有图像的784个输入特征（即28*28）的一维数组