我有下面的简单代码：

import tensorflow as tf
import numpy as np

filename = # 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 feature

mfcc_fn = lambda x: mfcc(x)

# create a training dataset
train_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 dataset
iterator = 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，该代码创建了一个tf.data.dataset对象，该对象加载一个wav文件并将其转换为mfcc特性。这里，数据转换发生在train_dataset.map(mfcc_fn)，在这里我将一个用NumPy编写的mfcc函数应用于所有输入数据。
显然，代码在这里不起作用，因为NumPy不支持对tf.placeholder对象的操作。如果我必须在NumPy中编写函数，是否可以将函数Map到tf.data.dataset的输入？我不使用TensorFlow内置MFCC特性转换的原因是，TensorFlow中的FFT函数与NumPy中的FFT函数相比，输出明显不同（如here所示），并且我正在构建的模型倾向于使用NumPy生成MFCC特征。