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

由于本人只熟悉pytorch，而對(duì)tensorflow一知半解，而代碼經(jīng)常遇到tensorflow，而我希望使用pytorch，因此簡(jiǎn)單介紹一下tensorflow轉(zhuǎn)pytorch，可能存在諸多錯(cuò)誤，希望輕噴~

1.變量預(yù)定義

在TensorFlow的世界里，變量的定義和初始化是分開(kāi)的。
tensorflow中一般都是在開(kāi)頭預(yù)定義變量，聲明其數(shù)據(jù)類(lèi)型、形狀等，在執(zhí)行的時(shí)候再賦具體的值，如下圖所示，而pytorch用到時(shí)才會(huì)定義，定義和變量初始化是合在一起的。

2.創(chuàng)建變量并初始化

tensorflow中利用tf.Variable創(chuàng)建變量并進(jìn)行初始化，而pytorch中使用torch.tensor創(chuàng)建變量并進(jìn)行初始化，如下圖所示。

3.語(yǔ)句執(zhí)行

在TensorFlow的世界里，變量的定義和初始化是分開(kāi)的，所有關(guān)于圖變量的賦值和計(jì)算都要通過(guò)tf.Session的run來(lái)進(jìn)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(guò)run進(jìn)行，賦值完了直接計(jì)算即可。

4.tensor

pytorch運(yùn)算時(shí)要?jiǎng)?chuàng)建完的numpy數(shù)組轉(zhuǎn)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(yùn)行完還要將tensor數(shù)據(jù)類(lèi)型轉(zhuǎn)換回numpy數(shù)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(shù)

在tensorflow中包含諸多函數(shù)是pytorch中沒(méi)有的，但是都可以在其他庫(kù)中找到類(lèi)似，具體如下表所示。