本文以一段代碼為例，簡單介紹一下tensorflow與pytorch的相互轉換（主要是tensorflow轉pytorch），可能介紹的沒有那么詳細，僅供參考。

由于本人只熟悉pytorch，而對tensorflow一知半解，而代碼經常遇到tensorflow，而我希望使用pytorch，因此簡單介紹一下tensorflow轉pytorch，可能存在諸多錯誤，希望輕噴~

1.變量預定義

在TensorFlow的世界里，變量的定義和初始化是分開的。
tensorflow中一般都是在開頭預定義變量，聲明其數據類型、形狀等，在執行的時候再賦具體的值，如下圖所示，而pytorch用到時才會定義，定義和變量初始化是合在一起的。

2.創建變量并初始化

tensorflow中利用tf.Variable創建變量并進行初始化，而pytorch中使用torch.tensor創建變量并進行初始化，如下圖所示。

3.語句執行

在TensorFlow的世界里，變量的定義和初始化是分開的，所有關于圖變量的賦值和計算都要通過tf.Session的run來進行。

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

而在pytorch中，并不需要通過run進行，賦值完了直接計算即可。

4.tensor

pytorch運算時要創建完的numpy數組轉為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)

最后運行完還要將tensor數據類型轉換回numpy數組：

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

而tensorflow中不需要這種操作。

5.其他函數

在tensorflow中包含諸多函數是pytorch中沒有的，但是都可以在其他庫中找到類似，具體如下表所示。