为什么TensorFlow Dataset传入fit方法前需要先执行batch操作？

通过from_tensor_slices生成的tf.data.Dataset默认是逐样本迭代的，每次迭代只会输出单个（特征, 标签）对。要求提前调用.batch()主要有三个核心原因：

• 匹配模型输入的维度约定
  Keras模型的输入层默认会省略批次维度，比如处理28×28的灰度图时，输入层定义为Input(shape=(28,28,1))，模型预期接收的输入张量维度为(批次大小, 28, 28, 1)。如果不做分批次处理，传入模型的单样本维度为(28,28,1)，会触发维度不匹配的报错。
• 符合小批量梯度下降的训练逻辑
  当前深度学习主流的训练模式是小批量梯度下降（Mini-batch SGD），每次基于一批样本的平均损失计算梯度更新参数，比单样本梯度下降收敛更稳定，比全量梯度下降内存占用更低、收敛速度更快。fit()不会自动对tf.data.Dataset做分批次处理，数据集每次输出的内容就是单次梯度更新的计算样本，提前调用.batch()才能实现小批量训练的逻辑。
• 最大化硬件并行计算效率
  CPU、GPU都支持批量数据的并行计算，尤其是GPU的设计就是为了处理高维度批量张量的并行运算，如果每次只喂单个样本，显存利用率会不足10%，训练速度会慢几十上百倍。提前在数据集侧配置.batch()，可以让tf.data流水线提前做好批量数据的预加载、预处理，整个训练链路的效率更高。

补充常见误区：只有当你传入fit()的是内存中的NumPy数组、原生Tensor对象时，指定batch_size参数才会生效；如果传入的是tf.data.Dataset类型，fit()会默认你已经完成了所有数据集预处理配置，会直接忽略batch_size参数，必须手动调用.batch()完成分批次。

内容的提问来源于stack exchange，提问作者user2816796