TensorFlow中如何在单计算图内复用操作结果？Numpy代码替代问询

当然可行！不管你用的是TensorFlow 1.x的静态图模式还是TensorFlow 2.x的默认动态图模式，都能构建完整的计算图一次性完成所有操作，不需要先求值tf.unique的结果再去循环生成eq_tensors。

具体实现方法 #

先看你的原有Numpy逻辑：

import numpy as np

ndarray = np.array([1,2,2,3,3,3])
unique_values = np.unique(ndarray)
eq_tensors = [np.equal(ndarray, x) for x in unique_values]

用TensorFlow实现等价逻辑且完全在计算图内完成的话，有两种常用方式：

方式1：利用广播机制（更高效）

通过维度扩展让原张量和tf.unique返回的唯一值张量做广播比较，一次性生成所有相等性判断结果：

import tensorflow as tf

# 把输入转换成TensorFlow张量
ndarray_tensor = tf.convert_to_tensor([1,2,2,3,3,3], dtype=tf.int32)
# 调用tf.unique，返回唯一值和原张量对应的索引
unique_values, _ = tf.unique(ndarray_tensor)

# 扩展原张量的维度，和unique_values做广播比较
# 结果是形状为(原张量长度, 唯一值数量)的布尔张量
eq_tensor = tf.equal(tf.expand_dims(ndarray_tensor, axis=1), unique_values)
# 如果需要和原逻辑一样的列表形式张量，用tf.unstack拆分
eq_tensors = tf.unstack(eq_tensor, axis=1)

方式2：使用tf.map_fn（更贴近原逻辑的循环形式）

tf.map_fn是TensorFlow提供的图内循环操作，可以遍历unique_values的每个元素生成对应的相等性张量：

import tensorflow as tf

ndarray_tensor = tf.convert_to_tensor([1,2,2,3,3,3], dtype=tf.int32)
unique_values, _ = tf.unique(ndarray_tensor)

# 在计算图内遍历unique_values，生成每个元素对应的eq张量
eq_tensors = tf.map_fn(
    lambda x: tf.equal(ndarray_tensor, x),
    unique_values,
    fn_output_signature=tf.bool  # 指定输出类型
)

关于动态图框架的优势问题 #

在TensorFlow 1.x的纯静态图时代，确实需要像上面这样用图内操作替代Python原生循环，不像PyTorch的动态图可以直接写for x in unique_values这种直观的循环。但TensorFlow 2.x默认启用了Eager Execution（动态图模式），和PyTorch的使用体验已经非常接近——你甚至可以直接写Python循环遍历tf.unique的结果，因为Eager模式下张量会即时求值，不需要预先构建完整计算图。

举个TF2.x动态图下的例子：

import tensorflow as tf

ndarray_tensor = tf.convert_to_tensor([1,2,2,3,3,3], dtype=tf.int32)
unique_values, _ = tf.unique(ndarray_tensor)

# 直接写Python循环，和Numpy逻辑几乎一致
eq_tensors = [tf.equal(ndarray_tensor, x) for x in unique_values]

所以如果是用TF2.x，动态图的灵活性和PyTorch已经没有明显差距；如果是坚守TF1.x的静态图，那PyTorch的动态图确实在这类循环场景下更直观、更易写。

内容的提问来源于stack exchange，提问作者cyrux