保留每个批次的损失意味着在每个批次结束后，保存损失值。下面是一个示例代码，展示了如何在训练过程中保留每个批次的损失：

import tensorflow as tf

# 创建模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 定义损失函数和优化器
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy()
optimizer = tf.keras.optimizers.Adam()

# 创建损失记录列表
losses = []

# 迭代训练
for epoch in range(num_epochs):
    for batch, (inputs, targets) in enumerate(train_dataset):
        with tf.GradientTape() as tape:
            # 前向传播
            predictions = model(inputs)
            loss_value = loss_fn(targets, predictions)
        
        # 计算梯度并更新模型参数
        gradients = tape.gradient(loss_value, model.trainable_variables)
        optimizer.apply_gradients(zip(gradients, model.trainable_variables))
        
        # 保存每个批次的损失值
        losses.append(loss_value.numpy())

        # 打印每个批次的损失值
        print('Epoch {:03d} Batch {:03d} Loss: {:.4f}'.format(epoch, batch, loss_value))

在上面的代码中，我们定义了一个losses列表来保存每个批次的损失值。在每个批次结束后，我们将损失值添加到列表中。这样，训练过程结束后，我们就可以获得每个批次的损失值列表。

请注意，这个代码示例中使用了TensorFlow 2.x版本的API。如果你使用的是TensorFlow 1.x版本，代码可能会有一些差异。