Python 将培训数据（文本、光谱图、光谱图、标签（.wav）文件）添加到Tensorflow 2.0 如何像Tensorflow网站上的教程一样在Tensorflow 2.0中添加培训数据（文本、光谱图、标签（.wav）） 如何在TF2.0中使用梯度带训练该模型？我

将培训数据（文本、光谱图、光谱图、标签（.wav）文件）添加到Tensorflow 2.0

如何像Tensorflow网站上的教程一样在Tensorflow 2.0中添加培训数据（文本、光谱图、标签（.wav））

如何在TF2.0中使用梯度带训练该模型？我不知道下一步该怎么办？我已经用tf.keras.layers和tf.sequence_mask构建了模型。我正在复制deep voice 3模型来进行TTS

def model（）：
定义初始化（自）：
使用tf.GradientTape（）作为磁带：
self.char2idx，self.idx2char=load_vocab（）
self.x，self.y1，self.y2，self.z，self.num\u batch=get\u batch（）
self.prev\u max\u li=tf.ones（shape=（hp.dec\u layers，hp.batch\u size），dtype=tf.int32）
self.decoder_input=tf.concat（（tf.zeros_like（self.y1[：，：1，-hp.n_mels:），self.y1[：，：-1，-hp.n_mels:），1）
self.keys，self.vals=编码器（self.x）
self.mel\u logits、self.done\u输出、self.decoder\u输出、self.alignments\u li、self.max\u attentions\u li=解码器（self.decoder\u输入、self.keys、self.vals、self.prev\u max\u attentions\u li）
self.mel_输出=tf.nn.sigmoid（self.mel_逻辑）
self.converter\u input=tf.reformate（self.decoder\u output，（-1，hp.Ty，hp.char\u embed//hp.r））
self.converter_input=tf.keras.layers.density（hp.ccchannel，activation='relu'）（self.converter_input）
self.mag\u logits=转换器（self.Converter\u输入）
self.mag_输出=tf.nn.sigmoid（self.mag_逻辑）
self.global\u step=tf.Variable（0，name='global\u step'，trainable=False）
self.loss\u mels=tf.reduce\u mean（输入张量=tf.abs（self.mel\u输出-self.y1））
self.loss\u dones=tf.reduce\u mean（输入张量=tf.nn.sparse\u softmax\u交叉熵\u与logits（logits=self.done\u输出，标签=self.y2））
self.loss\u mags=tf.reduce\u mean（输入张量=tf.abs（self.mag\u输出-self.z））
self.loss=self.loss\u mels+self.loss\u dones+self.loss\u mags
#培训计划
self.optimizer=tf.keras.optimizer.Adam（lr=hp.lr）
##梯度削波
self.gvs=self.optimizer.compute_梯度（self.loss）
self.clipped=[]
对于梯度，self.gvs中的var：
grad=tf.clip_by_值（grad，-1.*hp.max_grad_val，hp.max_grad_val）
梯度=tf.按标准剪裁（梯度，hp.最大梯度标准）
self.clipped.append（（梯度，变量））
self.train\u op=self.optimizer.apply\u渐变（self.clipped，global\u step=self.global\u step）
#总结
tf.汇总.标量（'列车损失/损失'，自身损失）
tf.summary.scalar（“列车损失/mels”，自身损失）
tf.汇总.标量（‘列车损失/完成’、自身损失）
tf.汇总.标量（'列损/mags'，自损/mags）
self.merged=tf.summary.merge_all（）