Python运算符用于TensorFlow张量：性能优化与TF原生函数是否等价？

在优化与性能层面，(a and b) 是否与 tf.logical_and(a, b) 等价？（a 和 b 为TensorFlow张量）

1. 直接结论：a and b 与 tf.logical_and(a, b) 完全不等价，且前者在TensorFlow图模式下会报错 #

Python原生的and是短路逻辑运算符，它会尝试将操作数转换为Python布尔值，但TensorFlow张量（尤其是图模式下的符号张量）无法直接完成这种转换：

• 在@tf.function的图模式中，执行a and b会抛出类似ValueError: Attempting to fetch value of a tensor before it has been computed.的错误——图模式下的张量是符号化的，不具备可立即读取的布尔值。
• 即使在Eager模式下，若a是非标量张量，a and b也会触发ValueError: The truth value of an array is ambiguous. Use a.any() or a.all().的错误，和NumPy数组的行为一致。

2. 兼顾可读性与性能的正确写法：使用TensorFlow重载的中缀运算符 #

TensorFlow已经重载了部分Python运算符，这些运算符会直接映射到对应的TensorFlow逻辑/算术操作，完全支持GPU加速和XLA编译，且与调用tf.xxx函数的性能、编译结果完全一致：

你可以将代码改写为更易读的中缀形式，同时完全保留性能：

@tf.function
# @tf.function(jit_compile=True)
def my_tf_func():
    # ...

    a = ... # some tensorflow tensor
    b = ... # another tensorflow tensor

    # 可读性高且性能等价的写法
    c = tf.math.count_nonzero(a & b)

    # 逻辑非的等价写法
    d = tf.math.count_nonzero(~a)

    # ...

3. 注意事项 #

• 运算符优先级：&、|的优先级低于Python的比较运算符（如==、>），混合使用时需要加括号明确优先级，例如：

  # 正确：先做比较，再做逻辑与
  tf.math.count_nonzero((a > 0) & (b < 10))
  # 错误：优先级问题会导致先计算0 & b，再做a > 结果
  # tf.math.count_nonzero(a > 0 & b < 10)
  

• 类型区分：&在TensorFlow中对布尔张量是逻辑与，对整数张量是按位与，需根据张量类型使用；若需严格强调逻辑与，也可以用tf.logical_and，但&在布尔场景下完全等价。

内容的提问来源于stack exchange，提问作者Daniel S.