Python 如何在Tensorflow批次中将两个张量捆绑在一起？

我想创建一个损失，它是在重建X和tensorflow中标签y的函数的同时产生的。两者需要匹配，我正在使用

tf.data.Dataset.batch（）

和渐变带，而不是像您通常使用的那样直接调用

.fit（，batch=number）

。为了解决这个问题，我想到了两种方法：

将X和Y捆绑为一个元组，并将该元组转换为tensorflow数据集，然后使用

.batch（）

只需将y固定在X张量的末端，然后使用

.batch（）

有没有标准的方法来实现这种事情？我不确定上述两种方法是否有问题，但第二种方法似乎至少可以奏效，但我也想知道我是否已经大大简化了这个过程。目前我的x的数据加载设置如下所示：

train_dataset = (tf.data.Dataset.from_tensor_slices(train_dataset)
                 .shuffle(len(training_ind))
                 .batch(bsize))

我设想的是：

train_x_dataset = tf.data.Dataset.from_tensor_slices(train_x)
train_y_dataset = tf.data.Dataset.from_tensor_slices(train_y)

train_datset = (tf.data.Dataset((train_x_dataset,train_y_dataset))
                     .shuffle(len(training_ind))
                     .batch(bsize))

for train_x, train_y in train_dataset:
  loss(train_step(model, train_x, train_y, optimizer))

---

这比我想象的要容易得多。基本上，我已经有了将两个数据集作为元组传递的基本想法，唯一的区别是在调用

时必须传递这两个数据集。然后访问元素就和预期的差不多了

train_dataset = tf.data.Dataset.from_tensor_slices((train_x,train_y))

train_dataset = (train_dataset
                     .shuffle(n_obs)
                     .batch(bsize))

for train_x, train_y in train_dataset:
  loss(train_step(model, train_x, train_y, optimizer))

您可以使用来同时迭代两个数据集。这就是你所需要的吗？@jakub这看起来和我想做的差不多（祈求好运，它与批处理兼容）。我会玩一会儿，看看它是否管用，谢谢！