淺談tensorflow與pytorch的相互轉換

2022-06-28 14:02:47

1.變數預定義

在TensorFlow的世界裡，變數的定義和初始化是分開的。
tensorflow中一般都是在開頭預定義變數，宣告其資料型別、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，定義和變數初始化是合在一起的。

2.建立變數並初始化

tensorflow中利用tf.Variable建立變數並進行初始化，而pytorch中使用torch.tensor建立變數並進行初始化，如下圖所示。

3.語句執行

在TensorFlow的世界裡，變數的定義和初始化是分開的，所有關於圖變數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，並不需要通過run進行，賦值完了直接計算即可。

4.tensor

pytorch運算時要建立完的numpy陣列轉為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)

最後執行完還要將tensor資料型別轉換回numpy陣列：

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。

tensorflow中函數	pytorch中代替（所在庫）	引數區別
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)

到此這篇關於淺談tensorflow與pytorch的相互轉換的文章就介紹到這了,更多相關tensorflow與pytorch的相互轉換內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！