TensorFlow：如何在不同维度张量列表中查找最大绝对标量值？

嘿，这个问题我帮你捋清楚！你的思路方向是对的，但有两个小细节需要调整：一是TensorFlow里不能直接用Python的if/else来判断张量的大小（因为张量是图模式下的符号化对象，不是普通布尔值）；二是其实可以简化单个张量的最大绝对值计算，不用分别取max和min再比较。

先给你简化单个张量的计算逻辑：对于任意张量，它的最大绝对值其实就是对张量取绝对值后再求最大值，比如张量里有-5和3，取绝对值后是5和3，最大值就是5，这和你原来分别取max、min再取绝对值比较的结果完全一致，但代码更简洁高效：

maxAbsG = tf.reduce_max(tf.abs(g))

接下来是两种实现全局最大绝对值的方式，看你需求选：

方法一：简洁高效的批量计算 #

直接把每个张量的最大绝对值算出来，再取这些值里的最大值，这种方式不管是 eager 模式还是图模式都能完美运行：

import tensorflow as tf

# 示例张量列表（维度各不相同）
myList = [tf.random.normal((2, 3)), tf.random.normal((4,)), tf.random.normal((1, 5, 2))]

# 计算每个张量的最大绝对值，得到一个标量张量的列表
all_max_abs = [tf.reduce_max(tf.abs(g)) for g in myList]
# 取所有标量中的最大值
global_max_abs = tf.reduce_max(all_max_abs)

# eager模式下直接打印结果
print(global_max_abs.numpy())

方法二：符合你原有逻辑的循环更新 #

如果你需要像原来那样逐步更新变量，那得用TensorFlow的原生操作替代Python的if/else，比如tf.maximum（直接取两个值的较大者）或者tf.where（条件赋值），代码如下：

import tensorflow as tf

myList = [tf.random.normal((2, 3)), tf.random.normal((4,)), tf.random.normal((1, 5, 2))]

# 初始化变量，注意dtype要和你的张量匹配（这里用float32，根据你实际情况调整）
curMaxAbs = tf.Variable(-1.0, dtype=tf.float32)

for g in myList:
    maxAbsG = tf.reduce_max(tf.abs(g))
    # 用tf.maximum直接更新为较大值，替代你的条件判断
    curMaxAbs.assign(tf.maximum(maxAbsG, curMaxAbs))
    
    # 如果你一定要用条件判断的写法，就用tf.where：
    # curMaxAbs.assign(tf.where(tf.greater(maxAbsG, curMaxAbs), maxAbsG, curMaxAbs))

print(curMaxAbs.numpy())

为什么不能用Python的if/else？因为tf.greater返回的是一个布尔张量，不是普通的Python布尔值，在图模式下，Python的条件判断会在构建图时就执行，而不是在运行时根据张量的实际值判断，这样会导致逻辑错误。所以必须用TensorFlow提供的符号化操作来处理张量间的条件逻辑。

内容的提问来源于stack exchange，提问作者dashnick