在TensorFlow非Eager图执行模式中能否使用Python列表推导式？

可以使用，但仅当循环次数是Python层面的静态可确定数值时才能正常工作。

核心逻辑 #

TensorFlow非Eager图模式的执行分为两个阶段：

1. 图构建阶段：Python代码先运行，生成对应的计算图结构；
2. 图执行阶段：TensorFlow runtime执行计算图。

Python列表推导式属于图构建阶段的Python代码，只要循环次数在图构建时就能确定（比如基于常量、静态形状值），它会被直接展开成一系列重复的计算操作，最终整合到计算图中，和手动编写多份代码逻辑完全等价。

示例分析 #

你的代码示例

IOU: tf.Tensor = tf.concat(            
    values=[
        intersection_over_union(
            box_pred[..., j, 1:5],     
            box_true[..., 1:5]         
        )
        for j in range(self.B)         # <--- predicted boxes
    ],
    axis=-1,
    name="IOU"
)

这里self.B是提前定义的Python常量（比如锚框数量），range(self.B)的循环次数在图构建时就已确定。列表推导式会被展开为self.B次intersection_over_union调用，最终通过tf.concat拼接结果，完全符合图模式的要求。

参考示例

vals = [dict[tensor1[k]] for k in range(tensor1.get_shape().as_list()[0])]
tensor2 = tf.stack(vals, axis=0)

tensor1.get_shape().as_list()[0]获取的是tensor1的静态形状维度（前提是tensor1的形状在图构建时是明确的，无动态维度），循环次数同样是静态可确定的，因此列表推导式可以正常生成对应的计算节点。

需要注意的边界场景 #

如果循环次数依赖TensorFlow张量的动态数值（运行时才能确定），则不能使用Python列表推导式，必须改用TensorFlow原生的动态循环API，比如tf.while_loop或tf.map_fn——因为这类场景下，图构建阶段无法确定循环次数，无法展开成固定的计算节点。

另外，在@tf.function装饰的函数中，同样遵循这个规则：静态次数的列表推导式可以正常使用；若涉及动态次数，AutoGraph可能会尝试自动转换，但显式使用TensorFlow API会更可控。

内容的提问来源于stack exchange，提问作者mon