浅谈tensorflow与pytorch的相互转换

1.变量预定义

2.创建变量并初始化

3.语句执行

4.tensor

5.其他函数

本文以一段代码为例，简单介绍一下tensorflow与pytorch的相互转换（主要是tensorflow转pytorch），可能介绍的没有那么详细，仅供参考。

由于本人只熟悉pytorch，而对tensorflow一知半解，而代码经常遇到tensorflow，而我希望使用pytorch，因此简单介绍一下tensorflow转pytorch，可能存在诸多错误，希望轻喷~

1.变量预定义

在TensorFlow的世界里，变量的定义和初始化是分开的。
tensorflow中一般都是在开头预定义变量，声明其数据类型、形状等，在执行的时候再赋具体的值，如下图所示，而pytorch用到时才会定义，定义和变量初始化是合在一起的。

2.创建变量并初始化

tensorflow中利用tf.Variable创建变量并进行初始化，而pytorch中使用torch.tensor创建变量并进行初始化，如下图所示。

3.语句执行

在TensorFlow的世界里，变量的定义和初始化是分开的，所有关于图变量的赋值和计算都要通过tf.Session的run来进行。

sess.run([G_solver, G_loss_temp, MSE_loss],
             feed_dict = {X: X_mb, M: M_mb, H: H_mb})

而在pytorch中，并不需要通过run进行，赋值完了直接计算即可。

4.tensor

pytorch运算时要创建完的numpy数组转为tensor，如下：

if use_gpu is True:
X_mb = torch.tensor(X_mb, device="cuda")
M_mb = torch.tensor(M_mb, device="cuda")
H_mb = torch.tensor(H_mb, device="cuda")
else:
X_mb = torch.tensor(X_mb)
M_mb = torch.tensor(M_mb)
H_mb = torch.tensor(H_mb)

最后运行完还要将tensor数据类型转换回numpy数组：

if use_gpu is True:
imputed_data=imputed_data.cpu().detach().numpy()
else:
imputed_data=imputed_data.detach().numpy()

而tensorflow中不需要这种操作。

5.其他函数

在tensorflow中包含诸多函数是pytorch中没有的，但是都可以在其他库中找到类似，具体如下表所示。

tensorflow中函数pytorch中代替（所在库）参数区别

tf.sqrt	np.sqrt（numpy）	完全相同
tf.random_normal	np.random.normal（numpy）	tf.random_normal(shape = size, stddev = xavier_stddev) np.random.normal(size = size, scale = xavier_stddev)
tf.concat	torch.cat（torch）	inputs = tf.concat(values = [x, m], axis = 1) inputs = torch.cat(dim=1, tensors=[x, m])
tf.nn.relu	F.relu（torch.nn.functional）	完全相同
tf.nn.sigmoid	torch.sigmoid（torch）	完全相同
tf.matmul	torch.matmul（torch）	完全相同
tf.reduce_mean	torch.mean（torch）	完全相同
tf.log	torch.log（torch）	完全相同
tf.zeros	np.zeros	完全相同
tf.train.AdamOptimizer	torch.optim.Adam（torch）	optimizer_D = tf.train.AdamOptimizer().minimize(D_loss, var_list=theta_D) optimizer_D = torch.optim.Adam(params=theta_D)