我刚刚找到了一种方法，可以做到这一点。我不太确定它的性能如何，但有一种方法是使用以下形式的CustomLoss

def myLossWithDate(date_col):
    def customBinaryCrossEntropy(y_true, y_pred):
        print(list(zip(date_col, y_true.numpy())))
        # do smth here
        # return custom_loss or
        return tf.keras.losses.binary_crossentropy(y_true,y_pred)
    return customBinaryCrossEntropy

然后可以在模型中使用此损失，如下所示：

mod = tf.keras.models.Sequential([
    tf.keras.layers.Dense(1, activation="sigmoid")
])
mod.compile(optimizer="sgd", loss=myLossWithDate(date_col=X[:,1]), run_eagerly=True)
mod.fit(X, Y, epochs=1, verbose=False)

这里最主要的是

run_eagerly=True

否则你会得到Iterator Tensors（https://www.tensorflow.org/guide/intro_to_graphs）。根据输出的数据，由于print（list（zip（...）））的缘故，看起来像这样

[(1, array([0])), (2, array([1])), (3, array([1]))]

我曾经

Y = np.random.binomial(1, 0.5, 3).reshape(-1,1)
X = np.column_stack((np.array([1,2,3]), np.array([1,2,3]))) # data, date as int

作为数据。
显然这只是一个假人，但也许它会帮助你。
编辑：使用小批次
函数的变化如下

def myLossWithDate():
    def customBinaryCrossEntropy(y_true, y_pred):
        y_true_ = y_true[:,0]
        batch_size = y_true.shape[0]
        y_true_ = tf.reshape(y_true_, shape=(batch_size, 1))
        date_col = y_true[:,1]
        # do smth here
        # return custom_loss or
        return tf.keras.losses.binary_crossentropy(y_true_,y_pred)
    return customBinaryCrossEntropy

并通过

Y = np.column_stack((Y, date_col))

因为在backprop你通常不使用Y除了计算损失，你会做手动。
模型变成

batches = 2
batch_size = int(X.shape[0] / batches)

mod = tf.keras.models.Sequential([
    tf.keras.layers.Dense(1, activation="sigmoid")
])
mod.compile(optimizer="sgd", loss=myLossWithDate(), run_eagerly=True)
mod.fit(X, Y, epochs=1, verbose=False, batch_size=batch_size)