Python 在TPU上训练时如何使用tensorFlow中的交叉熵损失？

我正在尝试在TPU上培训变压器编码器（从这里-）：

def test（）：
列车步骤签名=[
tf.TensorSpec（shape=（None，None），dtype=tf.int64），
tf.TensorSpec（shape=（None，None），dtype=tf.int64），
]
@tf.功能（输入\签名=训练\步骤\签名）
def系列步骤（inp、tar）：
使用tf.GradientTape（）作为磁带：
预测=转换（inp，
是的，
没有一个
没有一个
（无）
损耗=损耗函数（tar、预测）#
def test():
    train_step_signature = [
        tf.TensorSpec(shape=(None, None), dtype=tf.int64),
        tf.TensorSpec(shape=(None, None), dtype=tf.int64),
    ]
    @tf.function(input_signature=train_step_signature)
    def train_step(inp, tar):
      with tf.GradientTape() as tape:
        predictions = transf(inp,  
                                     True, 
                                     None, 
                                     None, 
                                     None)
        loss = loss_function(tar, predictions) # <- error is here
                                               # I use SparseCategoricalCrossentropy()

    vocabsize=1000
    transf = Transformer(num_layers, d_model, num_heads, dff,
                              vocabsize, vocabsize, 
                              pe_input=vocabsize, 
                              pe_target=vocabsize,
                              rate=dropout_rate)
    for iter in range(1,75000):
      print(iter)
      inp=np.random.randint(vocabsize, size=(5,11))
      tar=np.random.randint(vocabsize, size=(5,11))
      train_step(inp,tar)