参考链接：https://blog.csdn.net/jiongnima/article/details/80555387
tf.py_func(
func,
inp,
Tout,
stateful=True,
name=None
)
在使用tf.py_func的过程中，主要核心是使用前三个参数。
第一个参数func，是最重要的，是一个用户自定义的函数，输入numpy array, 输出也是numpy array, 在该函数中，可以自由使用np.操作。
第二个参数inp，是func函数接收的输入，是一个列表。
第三个参数Tout，指定了func函数返回的numpy array转化成tensor后的格式，如果是返回多个值，就是一个列表或元组；如果只有一个返回值，就是一个单独的dtype类型（当然也可以用列表括起来）
最后来看看tf.py_func的输出：
Returns:
A list of Tensor or a single Tensor which func computes.
输出是一个tensor(张量)列表或单个tensor。
到这里，tf.py_func的原理也就逐渐明晰了。首先，tf.py_func接收的是tensor（张量），然后将其转化为numpy array送入func（就是自定义的那条函数），最后再将func函数输出的Numpy array转化为tensor返回。
在使用过程中，有两个需要注意的地方，第一就是func函数的返回值类型一定要和Tout指定的tensor类型一致。第二就是，如下图所示，tf.py_func()中的func是脱离Graph的。在func中不能定义可训练的参数参与网络训练（反传）。
