明白了，你必须在dtype中定义每个Tensor的数据类型，然后你可以把Tensor作为一个元组传递，你的map函数接收一个元组的输入，map_fn返回一个元组。
有效的示例：

a = tf.constant([[1,2,3],[4,5,6]])
b = tf.constant([True, False], dtype=tf.bool)

c = tf.map_fn(lambda x: (x[0], x[1]), (a,b), dtype=(tf.int32, tf.bool))

c[0].eval()
array([[1, 2, 3],
       [4, 5, 6]], dtype=int32)
c[1].eval()
array([ True, False], dtype=bool)

按照下面所述执行操作，但tuple解包tf.function内的值，而不使用lambda，因为计算成本高，并且lambda无法与TensorFlow一起作为tf函数正常工作。

@tf.function
def x(x):
  x,y = tuple(x) 
  return 

c = tf.map_fn(, (a,b), dtype=(tf.int32, tf.bool))

这两种方法都有点混乱，你可以用一个定制的Extension Type显式定义栈的“type”。下面是你的例子，希望更易读：

class BoolAndVector(tf.experimental.BatchableExtensionType):
    """A collection bools and vectors."""
    bool: tf.Tensor
    vector: tf.Tensor

@tf.function
def fn(bool_and_vector):
   return BoolAndVector(bool=bool_and_vector.bool,
                         vector=[bool_and_vector.vector[0]])

c = tf.map_fn(fn, BoolAndVector(bool=b, vector=a))

您可能必须显式地说明签名类型，但是错误会引导您找到TF想要的类型。
注意，您需要使用BatchableExtensionType来使其可用于map。