TensorFlow实现不同规模点集间最近邻点匹配（无循环优化）

可以通过TensorFlow的矢量化广播操作实现，完全避免Python循环，同时利用底层并行计算加速，代码如下：

import tensorflow as tf

# 生成示例数据
interior = tf.random.uniform(shape=[18,3], minval=-1.0, maxval=1.0)
boundary = tf.random.uniform(shape=[12,3], minval=-1.0, maxval=1.0)

# 1. 广播计算所有边界点与内部点的平方距离矩阵
# interior扩展为(1, 18, 3)，boundary扩展为(12, 1, 3)，广播后为(12, 18, 3)
squared_diff = tf.math.squared_difference(interior[tf.newaxis, ...], boundary[:, tf.newaxis, ...])
# 对每个点对的维度求和，得到(12, 18)的平方距离矩阵
distance_matrix = tf.reduce_sum(squared_diff, axis=-1)

# 2. 找到每个边界点对应的最近内部点的索引
nearest_indices = tf.argmin(distance_matrix, axis=1)

# 3. 提取所有边界点对应的最近内部点
nearest_interior_points = tf.gather(interior, nearest_indices)

关键说明： #

• 广播机制：通过给interior增加一个维度（tf.newaxis）变成(1,18,3)，给boundary增加中间维度变成(12,1,3)，TensorFlow会自动广播为(12,18,3)的张量，一次性计算所有点对的平方差。
• 避免开根号：直接使用平方距离找argmin，结果和实际距离的最近点完全一致，减少不必要的计算开销。
• 并行计算：矢量化操作会被TensorFlow优化为GPU/TPU的并行计算，比Python循环效率高得多，尤其当点集规模（比如边界点数量上千）增大时，性能提升会非常明显。

对比原循环代码，这个实现一次性完成所有边界点的计算，没有Python层面的循环迭代，完全利用TensorFlow的底层优化。

内容的提问来源于stack exchange，提问作者Jasper Rou