TensorFlow技术问询：如何从向量字典构建矩阵？

没问题，我来帮你把这个NumPy里的操作完美复刻到TensorFlow里～先理清楚你的需求：你先创建了一个字典，每个键对应一个(F,1)的随机列向量，然后给定一个键的行向量，要把每个键对应的列向量横向拼接成一个(F, N)的矩阵，对吧？

下面分两种场景给你实现方案，兼顾通用性和简单性：

一、通用方案（兼容图模式/tf.function） #

如果你的代码是在图模式下运行（比如TF1、TF2的函数式API，或者用@tf.function装饰的函数），直接用Python字典会有兼容性问题（因为图模式下不能随意把张量转成Python值去查字典），所以推荐用TensorFlow官方的tf.lookup.StaticHashTable来做键值映射，这是最稳妥的方式。

步骤1：初始化哈希表（对应你NumPy里的字典） #

import tensorflow as tf
import numpy as np

F = 6
# 对应你NumPy里的keys数组
keys_np = np.arange(1.0, 4.0)
# 先按NumPy方式初始化键值对
init_dict_np = {key: np.random.random(size=(F,1)) for key in keys_np}

# 把键和值转换成TensorFlow张量，准备构建哈希表
keys_tf = tf.convert_to_tensor(keys_np, dtype=tf.float32)
# 把所有值整理成一个张量，形状是(3, F, 1)
values_tf = tf.convert_to_tensor([init_dict_np[key] for key in keys_np], dtype=tf.float32)

# 创建静态哈希表，找不到键时返回全0的(F,1)向量（你可以根据需求改默认值）
table = tf.lookup.StaticHashTable(
    initializer=tf.lookup.KeyValueTensorInitializer(keys_tf, values_tf),
    default_value=tf.zeros(shape=(F,1), dtype=tf.float32)
)

步骤2：处理输入键行向量并拼接矩阵 #

# 示例输入：形状为(1, 3)的行向量，对应要查询的键
keys_input = tf.convert_to_tensor([[2.0, 1.0, 3.0]], dtype=tf.float32)

# 把行向量展平成一维，方便批量查询
flat_keys = tf.reshape(keys_input, (-1,))
# 批量查询每个键对应的列向量，得到形状(3, F, 1)的张量
lookup_values = table.lookup(flat_keys)
# 把每个(F,1)的列向量横向拼接，最终得到(F, 3)的矩阵
result_matrix = tf.concat(tf.unstack(lookup_values, axis=0), axis=1)

验证结果（和NumPy对比） #

# NumPy里的实现，用来对比
keys_input_np = np.array([[2.0, 1.0, 3.0]])
numpy_result = np.hstack([init_dict_np[k] for k in keys_input_np[0]])

print("NumPy结果形状:", numpy_result.shape)  # 输出 (6, 3)
print("TensorFlow结果形状:", result_matrix.shape)  # 输出 (6, 3)
print("两者结果是否近似一致:", np.allclose(numpy_result, result_matrix.numpy()))  # 输出 True

二、简化方案（仅适合TF2即时执行模式） #

如果只是在TF2默认的即时执行模式下做简单测试，不想用哈希表，也可以直接用Python字典存TensorFlow张量，写法和NumPy几乎一致：

# 把NumPy的字典转换成存TF张量的字典
init_dict_tf = {key: tf.convert_to_tensor(arr, dtype=tf.float32) for key, arr in init_dict_np.items()}

# 处理输入行向量，直接遍历拼接
keys_input_np = np.array([[2.0, 1.0, 3.0]])
result_tf = tf.concat([init_dict_tf[k] for k in keys_input_np[0]], axis=1)

⚠️ 注意：这种简化写法不能用在@tf.function装饰的函数里，因为图模式下无法把张量类型的键转成Python数值去查字典，会触发报错。所以如果你的代码需要部署或者用图加速，一定要用第一种哈希表的方案。

内容的提问来源于stack exchange，提问作者Anon