假设您有一个生成数据的函数：

 def generator(data): 
    ...
    yield (X, y)

现在，您需要另一个描述模型架构的功能。它可以是任何处理X且必须将y预测为输出的函数（例如，神经网络）。

假设您的函数接受X和y作为输入，以某种方式从X计算出y的预测，并返回y与预测y之间的损失函数（例如，交叉熵或MSE（在回归的情况下））：

 def neural_network(X, y): 
    # computation of prediction for y using X
    ...
    return loss(y, y_pred)

为了使模型工作，您需要为X和y定义占位符，然后运行会话：

 X = tf.placeholder(tf.float32, shape=(batch_size, x_dim))
 y = tf.placeholder(tf.float32, shape=(batch_size, y_dim))

占位符类似于“自由变量”，在通过feed_dict运行会话时需要指定占位符：

 with tf.Session() as sess:
     # variables need to be initialized before any sess.run() calls
     tf.global_variables_initializer().run()

     for X_batch, y_batch in generator(data):
         feed_dict = {X: X_batch, y: y_batch} 
         _, loss_value, ... = sess.run([train_op, loss, ...], feed_dict)
         # train_op here stands for optimization operation you have defined
         # and loss for loss function (return value of neural_network function)

希望您会发现它有用。但是，请记住，这不是完全有效的实现，而是伪代码，因为您几乎没有指定任何细节。