Python中使用TensorFlow遍历张量失败，求解决方案

错误原因 #

报错是因为tf.unstack需要明确知道要拆分的张量数量，但你的输入张量y和outputs的batch维度是未知的（形状显示为(?, 120)），无法自动推断拆分数量，导致抛出Cannot infer num from shape错误。另外，在@tf.function中使用Python循环不仅效率低下，还容易触发图模式下的兼容性问题。

修正与优化实现 #

直接用TensorFlow的向量化操作替代循环，既解决动态维度问题，又提升计算效率：

@tf.function
def GetAccuracy(y, outputs):
    # 获取每个样本中需要比较的索引对：i 和 i+3
    # 这里假设每个样本的特征维度是固定的120，可根据实际情况调整
    indices = tf.range(0, tf.shape(y)[1] - 3, 3)
    # 提取对应位置的原始值和输出值
    y_left = tf.gather(y, indices, axis=1)
    y_right = tf.gather(y, indices + 3, axis=1)
    outputs_left = tf.gather(outputs, indices, axis=1)
    outputs_right = tf.gather(outputs, indices + 3, axis=1)
    
    # 计算满足条件的次数
    correct_pairs = tf.logical_and(y_left > y_right, outputs_left > outputs_right)
    total_correct = tf.reduce_sum(tf.cast(correct_pairs, tf.float32))
    
    # 除以4.0，根据你的原始逻辑调整分母（若实际有效配对数不同，按需修改）
    return total_correct / 4.0

Accuracy = GetAccuracy(y, outputs)

额外说明 #

1. 如果每个样本中实际只有4组需要比较的配对（比如120维里仅特定位置有效），可以将indices改为固定值，比如indices = tf.constant([0,3,6,9])，让计算更精准。
2. 在@tf.function装饰的函数中，避免使用Python原生的len()、range()等操作，优先用TensorFlow对应API（如tf.shape()、tf.range()），确保图模式兼容性。
3. 向量化操作是TensorFlow的最优实践，相比Python循环，能利用GPU加速，大幅提升计算速度。

内容的提问来源于stack exchange，提问作者Jaffer Wilson