TensorFlow中遍历n维张量报错：张量不可迭代问题求助

嘿，我来帮你搞定这个问题！你遇到的tensor is not iterable错误，核心原因是你直接在Python的for循环里迭代了TensorFlow张量——tf.range返回的是tf张量对象，而Python原生for循环只能迭代列表、生成器这类原生可迭代对象，自然会报错。

而且你的代码其实完全没必要用for循环，TensorFlow最推荐的就是用向量化操作替代循环，既高效又能避开这类坑，下面给你一步步拆解解决方案：

先解决循环报错的问题（不推荐，但能快速修复） #

如果你非要保留循环逻辑，得把tf.range转成Python能识别的可迭代对象，比如直接用张量的静态形状生成整数范围，或者把tf张量转成numpy数组：

# 方法1：直接用张量的静态形状生成Python范围（适合静态形状已知的场景）
for i in range(softed_mul.shape[0]):
    elems = (softed_mul[i, :, :], indexs)
    softed_arg_maxs[i, :, :] = tf.map_fn(lambda x:x[0] * x[1], elems, dtype=tf.float32)

# 方法2：把tf.range转成numpy数组（仅适合Eager模式，图模式下可能出错）
for i in tf.range(start=0, limit=softed_mul.shape[0]).numpy():
    elems = (softed_mul[i, :, :], indexs)
    softed_arg_maxs[i, :, :] = tf.map_fn(lambda x:x[0] * x[1], elems, dtype=tf.float32)

不过要注意：这两种方法在TensorFlow图模式（比如构建Keras模型）下都可能出问题，而且循环的运行效率远低于向量化操作，所以更推荐下面的方案。

推荐：用向量化操作实现需求 #

你的代码逻辑是对softed_mul的第一个维度每个切片，和indexs做元素相乘，其实TensorFlow的广播机制可以直接完成这个操作，根本不需要循环和tf.map_fn：

# 直接元素级相乘，TensorFlow会自动处理维度广播
softed_arg_maxs = softed_mul * indexs

如果你的最终目标是计算第二维度的期望值（也就是在axis=1上求均值，TensorFlow的维度从0开始计数），直接用tf.reduce_mean即可：

# 计算第二维度的期望值，axis=1指定对第二维度求平均
expected_value = tf.reduce_mean(softed_arg_maxs, axis=1)

再给你理清楚报错的本质 #

TensorFlow的张量在图模式下是计算图的节点，不是可迭代的Python对象，Python的for循环会尝试调用张量的__iter__方法，但tf张量并没有实现这个方法——哪怕在Eager模式下，虽然能勉强迭代，但这也不是TensorFlow的最佳实践，官方一直推荐用向量化操作替代显式循环。

内容的提问来源于stack exchange，提问作者Redfox-Codder