背景
使用dataset进行数据管道化处理时，通常我们会加上batch(batch_size)来获取批量样本。这里有个容易忽视的点，batch本身还提供了一个参数drop_remaindar，用于标示是否对于最后一个batch如果数据量达不到batch_size时保留还是抛弃。本次的小坑就是由于这个参数导致的。
案例
show me the code:
with tf.name_scope('input'):
dataset = tf.data.Dataset.from_tensor_slices(files).interleave(lambda x: tf.data.TFRecordDataset(x).prefetch(10), cycle_length=num_preprocess_threads)
dataset = dataset.batch(batch_size, drop_remainder=True)
# dataset = dataset.apply(tf.contrib.data.batch_and_drop_remainder(batch_size))
dataset = dataset.map(lambda x: _decode(x, type), num_parallel_calls=2)
dataset = dataset.shuffle(buffer_size=batch_size * 10)
dataset = dataset.prefetch(buffer_size=1000)
这是一段简单的使用dataset来解析tfrecord的代码，为了方便在创建dataset时，就将所有的数据集的batch_size设为了相同的值。那就导致在数据消费的时候，最后一个batch的数量达不到batch_size，所以这里我们将drop_remainder设为true，运行出错。
经过排查后发现，tf1.10之后的版本才支持这种方式，而之前的版本只能使用tf.contrib.data.batch_and_drop_remainder(batch_size)。
备注：小坑记录下，做留念
