Python Tensorflow Keras中model.fit（）方法中的验证数据必须是元组吗？

我正在实现一个复杂的损耗函数，所以我使用一个自定义层来传递损耗。比如：

class SIAMESE_LOSS(Layer):
    def __init__(self, **kwargs):
        super(SIAMESE_LOSS, self).__init__(**kwargs)

    @staticmethod
    def mmd_loss(source_samples, target_samples):
        return mmd(source_samples, target_samples)

    @staticmethod
    def regression_loss(pred, labels):
        return K.mean(mae(pred, labels))

    def call(self, inputs, **kwargs):
        source_labels = inputs[0]
        target_labels = inputs[1]
        source_pred = inputs[2]
        target_pred = inputs[3]
        source_samples = inputs[4]
        target_samples = inputs[5]
        source_loss = self.regression_loss(source_pred, source_labels)
        target_loss = self.regression_loss(target_pred, target_labels)
        mmd_loss = self.mmd_loss(source_samples, target_samples)
        self.add_loss(source_loss)
        self.add_loss(target_loss)
        self.add_loss(mmd)
        self.add_metric(source_loss, aggregation='mean', name='source_mae')
        self.add_metric(target_loss, aggregation='mean', name='target_mae')
        self.add_metric(mmd_loss, aggregation='mean', name='MMD')
        return mmd_loss+target_loss+source_loss

因此，标签作为输入发送到模型。
因此，模型的拟合如下：

        history = model.fit(
            x=[train_data_s, train_data_t, self.train_labels, self.train_data_t],
            y=None,
            batch_size=self.batch_size,
            epochs=base_epochs,
            verbose=2,
            callbacks=cp_callback,
            validation_data=[val_data_s, val_data_t, self.val_labels, self.val_labels_t],
            shuffle=True
        )

然而，根据Tensorflow中的官方文件，验证数据应为：

评估损失所依据的数据以及本报告末尾的任何模型指标 每个时代。模型将不会根据这些数据进行训练。 验证数据将覆盖验证分割。验证数据可能会丢失 be:Numpy数组的元组（x_val，y_val）或张量元组（x_val， 前两个的Numpy数组数据集的y_val，val_sample_weights） 在任何情况下，必须提供批量大小。对于最后一个案例， 可以提供验证步骤。请注意，验证_数据不会 支持x中支持的所有数据类型，例如dict， 生成器或keras.utils.Sequence

---

没有应该传递的“标签”，因为它们已经作为输入由模型处理。如果我仍然想使用验证数据，我该如何解决这个问题？

验证数据=（您的有效，无）是否向您提出了错误？我尝试过，它确实有效@MarcoCerlianidid validation_data=（您的_有效，无）向您提出错误？我尝试过，但它确实有效@马尔科里亚尼