如何用TensorFlow从9×1536张量生成指定结构的新张量？

嘿，你的手动堆叠方法确实能达到目的，但当张量第一维的数量增加时（比如从9变成100），手动写所有配对就太麻烦了！这里有两种更简洁、可扩展的实现方式，完全适配你的需求：

方法一：用tf.repeat + tf.stack #

这种方法的核心是把第一个元素重复对应次数，再和后面的元素批量配对：

import tensorflow as tf

# 初始化你的张量
x = tf.zeros((9, 1536))

# 将第一个元素扩展维度后重复8次，得到形状(8, 1536)的张量
x_first_repeated = tf.repeat(tf.expand_dims(x[0], axis=0), repeats=8, axis=0)
# 取张量中除第一个元素外的所有部分，形状刚好是(8, 1536)
x_rest = x[1:]

# 在第二个维度上堆叠两个张量，得到目标形状(8, 2, 1536)
x_new = tf.stack([x_first_repeated, x_rest], axis=1)

方法二：用tf.tile + tf.stack #

如果习惯用tf.tile，也能达到同样效果，逻辑和上面一致：

# 将第一个元素扩展维度后平铺8次
x_first_tiled = tf.tile(tf.expand_dims(x[0], axis=0), multiples=[8, 1])
# 堆叠得到目标张量
x_new = tf.stack([x_first_tiled, x_rest], axis=1)

为什么这两种方法更优？ #

• 可扩展性强：不管你的原始张量第一维是9还是1000，只需要把repeats或multiples里的8改成对应的数量（比如1000的话就是999），代码不用做其他修改。
• 代码更简洁：避免了手动写8个配对的冗余代码，降低出错概率。
• 效率更高：TensorFlow的内置重复/平铺操作都是经过底层优化的，比手动构造多个小张量再堆叠的效率更高，尤其适合大规模张量处理。

内容的提问来源于stack exchange，提问作者Ashwin Raju