纯tensorflow2不使用keras中的学习循环应该看起来如何？

如何解决纯tensorflow2不使用keras中的学习循环应该看起来如何？

我在Tensorflow中有一个非常定制的模型，没有Keras组件。目前，我被困在编写学习循环中。我已经创建了模型（带有占位符），创建了数据集（带有批处理），优化器，图形等。我认为我不需要急切的执行，所以我用tf.compat.v1.disable_eager_execution()禁用了它。当我尝试遍历数据集以馈送网络时，我遇到了错误，告诉我__iter__仅在热切模式下可用。当我启用eager模式时，它们会出错，告诉我不能使用占位符。我正在使用张量流2.3。

代码：

import tensorflow as tf
import tensorflow_datasets as tfds
from fcrn import ResNet50UpProj

tf.compat.v1.disable_eager_execution()

height = 480
width = 640
channels = 3
batch_size = 5
lr = 0.001

dataset = tfds.load('nyu_depth_v2',split='train',shuffle_files=True)
dataset = dataset.batch(batch_size)

input_node = tf.compat.v1.placeholder(tf.float32,shape=(None,height,width,channels))
labels_node = tf.compat.v1.placeholder(tf.float32,int(height/2),int(width/2),1))

net = ResNet50UpProj({'data': input_node},batch_size,1,False)

output_node = net.get_output()

graph = tf.Graph()
sess = tf.compat.v1.Session(graph=graph)

loss = tf.nn.l2_loss(output_node - labels_node)

opt = tf.compat.v1.train.AdamOptimizer(lr)

update_ops = tf.compat.v1.get_collection(tf.compat.v1.GraphKeys.UPDATE_OPS)
with tf.control_dependencies(update_ops):
    grads = opt.compute_gradients(
        loss,var_list=tf.compat.v1.get_collection(tf.compat.v1.GraphKeys.TRAINABLE_VARIABLES))

    train_op = opt.apply_gradients(grads,name='optimizer')

with graph.as_default():
    sess.run(tf.compat.v1.global_variables_initializer())

    for epoch in range(10):
        print("Epoch: {}".format(epoch))

        for step,(batch_input,batch_labels) in enumerate(dataset):
            print(step)

        # sess.run(train_op,feed_dict={input_node: batch.image,labels_node: batch.depth})