TensorFlow：如何以‘笛卡尔积’方式实现两个张量相减？

首先得明确：TensorFlow是基于计算图的符号化框架，你不能像遍历普通Python列表那样去遍历一个形状带None的placeholder——因为在构建计算图的时候，这个None对应的实际长度还没确定，根本没法逐个取出元素。

不过别担心，TensorFlow的广播机制正好能帮你实现想要的效果，而且效率比循环高得多。你的需求本质上是把一维的p（形状[None]）和一维的v（形状[N]）做“逐元素配对减法”，得到一个二维张量（每行是p的一个元素减去v的所有元素）。

直接用下面的代码就能实现：

import tensorflow as tf

# 假设N是你定义的具体数值，比如5
N = 5
v = tf.get_variable('v', [N], dtype=tf.float32)
p = tf.placeholder(shape=[None], dtype=tf.float32)  # 记得指定dtype，要和v一致

# 把p从形状[None]扩展成[None, 1]
p_expanded = tf.expand_dims(p, axis=1)
# 利用广播自动完成配对减法，结果形状就是[None, N]
ret = p_expanded - v

# 验证形状
print(ret.get_shape().as_list())  # 输出 [None, 5]（对应你设置的N）

为什么这个方法可行？ #

TensorFlow的广播规则会自动把形状为[None, 1]的p_expanded和形状为[N]的v扩展成相同的二维形状[None, N]：

• p_expanded的每一行（单个元素）会被复制N次，变成[1, N]的行
• v会被复制None次（也就是批量的大小），变成[None, N]的矩阵
  然后逐元素做减法，正好得到你想要的结果。

如果你用的是TensorFlow 2.x，写法几乎一样，只是tf.get_variable可以换成更直观的tf.Variable，placeholder可以用普通的tf.Tensor或者函数参数替代，核心的广播逻辑完全不变：

import tensorflow as tf

N = 5
v = tf.Variable(tf.random.normal([N]))
# 用Tensor替代placeholder，TF2里更常用这种方式
p = tf.constant([1.0, 2.0, 3.0])  # 示例批量数据，实际可以是任意长度的一维张量

p_expanded = tf.expand_dims(p, axis=1)
ret = p_expanded - v

print(ret.shape)  # 输出 (3, 5)，对应批量大小3和N=5

内容的提问来源于stack exchange，提问作者calciferzh