我有以下簡單的代碼：import tensorflow as tfimport numpy as npfilename = # a list of wav filenames   x = tf.placeholder(tf.string)def mfcc(x):    feature = # some function written in NumPy to convert a wav file to MFCC features    return featuremfcc_fn = lambda x: mfcc(x)# create a training datasettrain_dataset = tf.data.Dataset.from_tensor_slices((x))train_dataset = train_dataset.repeat()train_dataset = train_dataset.map(mfcc_fn)train_dataset = train_dataset.batch(100)train_dataset = train_dataset.prefetch(buffer_size=1)# create an iterator and iterate over training datasetiterator = tf.data.Iterator.from_structure(train_dataset.output_types, train_dataset.output_shapes)train_iterator = iterator.make_initializer(train_dataset)with tf.Session() as sess:    sess.run(train_iterator, feed_dict={x: filename})基本上，代碼創建了一個tf.data.dataset加載 wav 文件并將其轉換為 mfcc 功能的對象。在這里，數據轉換發生在train_dataset.map(mfcc_fn)我將用 NumPy 編寫的 mfcc 函數應用于所有輸入數據的地方。顯然，代碼在這里不起作用，因為 NumPy 不支持對tf.placeholder對象的操作。tf.data.dataset如果我必須在 NumPy 中編寫函數，是否可以映射要輸入的函數？我不使用 TensorFlow 的內置 MFCC 特征轉換的原因是因為 TensorFlow 中的 FFT 函數提供的輸出與其 NumPy 對應物明顯不同（如此處所示），而且我正在構建的模型容易產生使用 NumPy 生成的 MFCC 特征。