我是机器学习的新手，正在尝试使用Tensorflow文档中的教程从这里创建一个机器学习模型，但我无法理解代码的这一部分
def make_input_fn(data_df, label_df, num_epochs=10, shuffle=True, batch_size=32): def input_function(): # 内部函数，将被返回 ds = tf.data.Dataset.from_tensor_slices((dict(data_df), label_df)) # 使用数据及其标签创建tf.data.Dataset对象 if shuffle: ds = ds.shuffle(1000) # 随机化数据顺序 ds = ds.batch(batch_size).repeat(num_epochs) # 将数据集分成32的批次，并重复处理指定的轮次 return ds # 返回数据集的一个批次 return input_function # 返回一个函数对象以供使用然后将函数的输出存储在一个变量中
train_input_fn = make_input_fn(dftrain, y_train)最后使用数据集训练模型
linear_est.train(train_input_fn)我无法理解为什么在make_input_function中只返回内部函数的函数名而不是直接返回我们的数据集并将其传递给模型进行训练。
我是Python初学者，刚开始学习机器学习，我找不到我问题的正确答案，所以如果有人能以适合初学者的方式解释，我将非常感激。
回答：
我无法理解为什么在
make_input_function中只返回内部函数的函数名而不是直接返回我们的数据集并将其传递给模型进行训练。
在Python编程中，这被称为柯里化，它用于将多参数函数转换为单参数函数，通过逐步嵌套函数参数进行评估。柯里化还将一个参数与另一个参数结合，形成执行时的相对模式。
在Tensorflow中，根据文档(https://www.tensorflow.org/api_docs/python/tf/estimator/LinearClassifier#train)。
train( input_fn, hooks=None, steps=None, max_steps=None, saving_listeners=None)估计器的train方法期望一个参数input_fn。原因是每次调用Estimator.train()时，它都会通过调用input_fn和model_fn创建一个新的图，并将它们连接在一起。如果你提供的是张量或数据集，会导致不同的错误。
