seqGAN代码中target_lstm计算self.pretrain_loss是什么含义？

问题遇到的现象和发生背景

尝试运行seqGAN源代码，
论文：https://arxiv.org/abs/1609.05473
代码：https://github.com/LantaoYu/SeqGAN
在查看代码时发现，target_lstm.py中计算self.pretrain_loss有两个量参与，一个是由generator生成的eval_file通过likelihood_data_loader得到的batch样本，传递给self.x，另一个参与的变量是通过oracl model计算得到的self.g_predictions，用自己的数据文件来替换掉oracl model来产生训练数据，那么在计算这个self.pretrain_loss时，如何不使用oracl model，而是用自己的数据文件来参与呢？

问题相关代码，请勿粘贴截图

计算self.pretrain_loss的代码如下

self.pretrain_loss = -tf.reduce_sum(
            tf.one_hot(tf.cast(tf.reshape(self.x, [-1]), tf.int32), self.num_emb, 1.0, 0.0) *
            tf.math.log(tf.reshape(self.g_predictions, [-1, self.num_emb]))
        ) / (self.sequence_length * self.batch_size)

计算self.g_predictions的代码如下

        def _pretrain_recurrence(i, x_t, h_tm1, g_predictions): 
            h_t = self.g_recurrent_unit(x_t, h_tm1)           # 两个参数构成tuple传到函数中，(64,32)(2,64,32)
            o_t = self.g_output_unit(h_t)                            # o_t, shape=(64, 5000)
            g_predictions = g_predictions.write(i, o_t)       # shape=(64,5000)
            x_tp1 = ta_emb_x.read(i)                                # shape=(64,32)
            return i + 1, x_tp1, h_t, g_predictions

        it, _, _, self.g_predictions = control_flow_ops.while_loop(
            cond=lambda i, _1, _2, _3: i < self.sequence_length,
            body=_pretrain_recurrence, 
            loop_vars=(
                tf.constant(0, dtype=tf.int32),
                tf.nn.embedding_lookup(self.g_embeddings, self.start_token),  # (5000,32) (64,) = (64,32)
                self.h0,
                g_predictions) 
        )

        self.g_predictions = tf.transpose(self.g_predictions.stack(), perm=[1, 0, 2])

代码中的self.x是传入的shape=(64,20)的一个batch的sample，由generator.py生成eval_file，(9984,20)的数据量，再通过likelihood_data_loader对eval_file中的sample进行处理和shape变换得到的，处理后的总数据为(156,64,20)，这里只传入一个batch，为(64,20)。

我想要达到的结果

self.g_predictions通过构造的oracl model的网络模型计算得到，因为想使用自己的数据文件，而不通过这个模型运算输出数据，那么再计算这个self.pretrain_loss时应该怎么使用自己的数据文件？
为了方便处理，将自己的数据文件格式直接改为(n,20)的数据量，n暂不给定。