使用字典映射Tensor值时报Tensor不可哈希TypeError错误如何解决

你遇到的报错本质是TensorFlow计算图的执行逻辑和Python原生字典的使用规则冲突导致的：
tf.map_fn默认会在计算图模式下运行传入的函数，函数体中的x在图构建阶段是符号化的张量占位符，并非实际运行时的具体数值。你写的int(x)不会在图构建阶段真的把张量转成Python整数，只会生成一个类型转换的张量节点，直接把这个张量对象传入Python字典做key查询时，因为张量本身不支持哈希操作，就触发了该报错。

以下是3种不同场景下的可行解法，优先推荐第一种原生TensorFlow实现的方案，兼容性和性能最好：

• 方案1：使用TensorFlow原生哈希表tf.lookup.StaticHashTable实现映射，支持图模式、eager模式，且支持批量查询无需循环，性能最高

import tensorflow as tf

tensor1 = tf.cast([1,2,3], dtype=tf.int32)
# 构造映射对应的键、值张量
keys = tf.constant([1, 2, 3], dtype=tf.int32)
values = tf.constant([101, 102, 103], dtype=tf.int32)

# 初始化静态哈希表，第二个参数为找不到对应key时的默认返回值
lookup_table = tf.lookup.StaticHashTable(
    tf.lookup.KeyValueTensorInitializer(keys, values),
    default_value=-1
)

# 直接批量查询得到结果张量
result = lookup_table.lookup(tensor1)
print(result) # 输出：tf.Tensor([101 102 103], shape=(3,), dtype=int32)

• 方案2：如果必须使用tf.map_fn实现逻辑，可以用tf.py_function包裹Python原生逻辑，强制函数在运行时（而非图构建时）执行，仅适合小规模数据使用，性能较低

import tensorflow as tf

tensor1 = tf.cast([1,2,3], dtype=tf.int32)
m = {1:101, 2:102, 3:103}

def map_func(x):
    # 运行时x会有实际数值，可通过numpy()转成Python整数查字典
    return m[int(x.numpy())]

result = tf.map_fn(
    lambda x: tf.py_function(func=map_func, inp=[x], Tout=tf.int32),
    elems=tensor1,
    fn_output_signature=tf.int32
)
print(result)

• 方案3：如果是eager模式下处理小规模张量，直接转成numpy数组遍历处理后再转回张量，写法最简单

import tensorflow as tf

tensor1 = tf.cast([1,2,3], dtype=tf.int32)
m = {1:101, 2:102, 3:103}
result = tf.constant([m[num] for num in tensor1.numpy()], dtype=tf.int32)
print(result)

内容的提问来源于stack exchange，提问作者Andrei Pop