TensorFlow中如何判断张量是否为空？代码场景实操问询

嗨，我明白你遇到的问题了——在TensorFlow的图模式下，直接用Python的== []去判断张量是否为空是行不通的，因为row_index是计算图里的张量节点，不是普通的Python列表，Python的条件判断会在构建图阶段就执行，而不是在运行时根据张量的实际值来判断。下面给你两种可行的解决方案：

方法一：使用tf.cond()构建条件分支（推荐用于静态图） #

这是TensorFlow静态图模式下的标准做法，通过tf.cond()来根据张量的实际值动态选择计算分支：

首先，先获取row_index的元素数量，判断是否为空：

# 获取row_index的总元素个数
row_element_count = tf.size(row_index)
# 判断张量是否为空（元素数为0）
is_row_empty = tf.equal(row_element_count, 0)

然后定义两个分支函数，分别对应“空张量”和“非空张量”的逻辑，再用tf.cond()切换：

# 定义空张量时的损失计算函数
def get_empty_loss():
    return tf.constant(0.0, dtype=tf.float32)

# 定义非空张量时的损失计算函数
def get_non_empty_loss():
    return tf.reduce_mean(
        tf.nn.softmax_cross_entropy_with_logits(
            logits=y1_filterred, labels=y__filtered
        ), 
        name="filtered_reg"
    )

# 根据条件动态选择损失值
loss_f_G_filtered = tf.cond(
    is_row_empty, 
    true_fn=get_empty_loss, 
    false_fn=get_non_empty_loss,
    name="filtered_loss"
)

方法二：使用tf.where()（适用于简单分支） #

如果你的两个分支返回的张量形状一致，也可以用tf.where()来简化代码：

row_element_count = tf.size(row_index)
is_row_empty = tf.equal(row_element_count, 0)

# 先计算非空时的损失
non_empty_loss = tf.reduce_mean(
    tf.nn.softmax_cross_entropy_with_logits(
        logits=y1_filterred, labels=y__filtered
    ), 
    name="filtered_reg"
)
# 用tf.where根据条件选择结果
loss_f_G_filtered = tf.where(
    is_row_empty,
    x=tf.constant(0.0, dtype=tf.float32),
    y=non_empty_loss,
    name="filtered_loss"
)

额外说明（针对TensorFlow 2.x Eager模式） #

如果是TensorFlow 2.x的Eager Execution模式，你可以直接用Python的if判断，但前提是要先获取张量的实际值：

# Eager模式下的写法
if tf.shape(row_index)[0].numpy() == 0:
    loss_f_G_filtered = tf.constant(0.0, dtype=tf.float32)
else:
    loss_f_G_filtered = tf.reduce_mean(
        tf.nn.softmax_cross_entropy_with_logits(
            logits=y1_filterred, labels=y__filtered
        ), 
        name="filtered_reg"
    )

这种写法只在Eager模式或tf.function之外生效，如果用@tf.function装饰函数，还是得用前面的tf.cond()或tf.where()方法。

内容的提问来源于stack exchange，提问作者amina mollaysa