Python 如何在tensorflow 2.0中使用额外输入进行自定义损耗

在TF2.0中使用TF.keras和数据集获取带有额外参数的自定义损失函数时，我遇到了很多麻烦

在下面的例子中，额外的参数是模型的输入数据，它包含在

数据集中。在1.14的情况下，我会运行
。生成一个\u shot\u迭代器（）。在数据集上获取下一个（）
，然后将得到的张量传递给loss函数。同样的东西在2.0中不起作用

类加权SDR损失（keras.损失.损失）：
def uuu init uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu
super（）
自噪声信号=噪声信号
def sdr_损失（自身、信号真实、信号预测）：
返回（-tf.reduce_平均值（sig_真*sig_pred）/
tf.reduce_均值（tf.norm（张量=sig_pred）*tf.norm（张量=sig_真）））
def调用（self、y_true、y_pred）：
噪声\u真=自噪声\u信号-y\u真
noise_pred=自噪声信号-y_pred
alpha=（tf.reduce_-mean（tf.square（y_-true））/
减小平均值（tf.square（y_真）+tf.square（自噪声信号-y_pred）））
返回alpha*self.sdr\u损失（y\u真，y\u pred）+（1-alpha）*self.sdr\u损失（noise\u真，noise\u pred）
数据x=np.random.rand（5,4,1）
数据y=np.random.rand（5,4,1）
x=keras.layers.Input（[4,1]）
y=keras.layers.Activation（'tanh'）（x）
模型=keras.models.model（输入=x，输出=y）
train_dataset=tf.data.dataset.from_tensor_切片（（数据x，数据y））
x_数据集=train_数据集.map（λx，y:x）
compile（loss=WeightedSDRLoss（x_数据集），optimizer='Adam'）
model.fit（训练数据集）

但我在tensorflow中得到以下错误：

\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu
../../anaconda3/envs/../lib/python3.6/site packages/tensorflow\u core/python/training/tracking/base.py:457:in\u method\u wrapper
结果=方法（自身、*args、**kwargs）
../../anaconda3/envs/../lib/python3.6/site packages/tensorflow_core/python/keras/engine/training.py:377:编译中
self.\u编译\u权重\u损失\u和\u加权\u度量（）
../../anaconda3/envs/../lib/python3.6/site packages/tensorflow\u core/python/training/tracking/base.py:457:in\u method\u wrapper
结果=方法（自身、*args、**kwargs）
../../anaconda3/envs/../lib/python3.6/site packages/tensorflow\u core/python/keras/engine/training.py:1618:in(编译权重)和(加权)度量
self.total_loss=self._prepare_total_loss（掩码）
../../anaconda3/envs/../lib/python3.6/site packages/tensorflow\u core/python/keras/engine/training.py:1678:in\u prepare\u total\u loss
每样本损失=损失fn.call（y\u true，y\u pred）
…：144:随时待命
噪声\u真=自噪声\u信号-y\u真
../../anaconda3/envs/../lib/python3.6/site packages/tensorflow_core/python/ops/math_ops.py:924:in r_binary_op_wrapper
x=ops.convert_to_tensor（x，dtype=y.dtype.base_dtype，name=“x”）
../../anaconda3/envs/../lib/python3.6/site packages/tensorflow\u core/python/framework/ops.py:1184:in convert\u to\u tensor
返回convert_to_tensor_v2（值、数据类型、首选数据类型、名称）
../../anaconda3/envs/../lib/python3.6/site packages/tensorflow_core/python/framework/ops.py:1242:in convert_to_tensor_v2
as_ref=False）
../../anaconda3/envs/../lib/python3.6/site packages/tensorflow\u core/python/framework/ops.py:1296:在内部转换为tensor
ret=conversion\u func（值，dtype=dtype，name=name，as\u ref=as\u ref）
../../anaconda3/envs/../lib/python3.6/site packages/tensorflow_core/python/framework/constant_op.py:286:in _constant_tensor_conversion_函数
返回常量（v，dtype=dtype，name=name）
../../anaconda3/envs/../lib/python3.6/site packages/tensorflow\u core/python/framework/constant\u op.py:227:in constant
允许（广播=真）
../../anaconda3/envs/../lib/python3.6/site packages/tensorflow\u core/python/framework/constant\u op.py:265:in\u constant\u impl
允许广播=允许广播）
../../anaconda3/envs/../lib/python3.6/site packages/tensorflow\u core/python/framework/tensor\u util.py:449:in make\u tensor\u proto
_资产可兼容（值、数据类型）
_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 
值=
dtype=tf.32
def_资产可兼容（值、数据类型）：
如果数据类型为“无”：
fn=\u检查\u非\u张量
其他：
尝试：
fn=_TF_TO_是否正常[dtype]
除KeyError外：
#没有具体的fn，因此我们尽可能做到最好。
如果dtype.is_integer：
fn=_check_int
elif dtype.is_浮动：
fn=\u检查\u浮动
elif dtype.is_复杂：
fn=_check_complex
elif dtype.U被量化：
fn=\u检查\u量化
其他：
fn=\u检查\u非\u张量
尝试：
fn（价值观）
除ValueError为e外：
[不匹配]=e.args
如果数据类型为“无”：
raise TypeError（“需要单个张量时的张量列表”）
其他：
raise TypeError（“应为%s，改为%s，类型为“%s”。%
>（dtype.name、repr（不匹配）、type（不匹配）。\uu name
E TypeError:应为float32，而应为“MapDataset”类型。

问题似乎是我正在将一个数据集传递到损失函数中，但它需要一个热切求值的张量

相反，我尝试将输入层传递到自定义丢失中，但这也不起作用：

data\ux=np.random.rand（5,4,1）
数据y=np.random.rand（5,4,1）
x=keras.layers.Input（shape=[4,1]）
y=keras.layers.Activation（'tanh'）（x）
模型=keras.models.model（输入=x，输出=y）
train_dataset=tf.data.dataset.from_tensor_切片（（data_x，data_y））.batch（1）
compile（loss=WeightedSDRLoss（x），optimizer='Adam'）
model.fit（训练数据集）

相反，我得到了一个错误：

op\u name='\u推理\u分布式函数\u 169'，num\u输出=2
我