tensorflow代码改成pytorch,tensorflow2.0和pytorch
本文主要介绍tensorflow和pytorch之间的相互转换，通过示例代码进行了非常详细的介绍，对大家的学习或工作有一定的参考价值。有需要的朋友下面和边肖一起学习。
00-1010 1.变量预定义2。创建变量和初始化3。语句执行4 .张量5 .其他函数。以一段代码为例，简单介绍一下tensorflow和pytorch之间的相互转换(主要是tensorflow到pytorch)，可能没那么详细，仅供参考。
由于我只熟悉pytorch，对tensorflow了解不多，而且代码经常遇到tensorflow，想用pytorch，所以简单介绍一下tensorflow给pytorch，可能会有很多错误。希望轻喷~
目录
在TensorFlow的世界里，变量的定义和初始化是分开的。
在tensorflow中，变量一般在一开始就被预定义，以声明它们的数据类型、形状等。然后在执行过程中赋予具体的值，如下图所示。但是pytorch只是在使用的时候才定义，定义和变量初始化结合在一起。
1.变量预定义
Tensorflow用的是tf。变量来创建变量并进行初始化，而pytorch使用torch.tensor来创建变量并进行初始化，如下图所示。
2.创建变量并初始化
在TensorFlow的世界里，变量的定义和初始化是分开的，所有图形变量的赋值和计算都要通过tf的运行来进行。会议
sess.run([G_solver，G_loss_temp，MSE_loss)，
feed_dict={X: X_mb，M: M_mb，H: H_mb})
在pytorch中，不需要运行，赋值后直接计算即可。
3.语句执行
pytorch操作期间创建的numpy数组被转换为张量，如下所示：
如果use_gpu为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 .张量(M_mb)
H_mb=torch .张量(H_mb)
最后，张量数据类型将被转换回numpy数组：
如果use_gpu为True:
imputed _ data=imputed _ data.cpu()。分离()。numpy()
else:
imputed _ data=imputed _ data . detach()。numpy()
tensorflow中不需要此操作。
4.tensor
Tensorflow包含了很多pytorch中没有的函数，但都可以在其他库中找到，如下表所示。
在tensorflow中，函数pytorch中的替换(在库中)参数完全相同：TF . sqrtnp . sqrt(numpy)TF . 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 . reluf . relu(torch . nn . functional)完全相同的TF . nn . sigmoid torch . sigmoid(torch)完全相同的tf.matmultorch.matmul(torch)完全相同的tf.reduce_meantorch.mean(torch)完全相同的tf.log Torch.log(torch)完全相同的tf.zerosnp.zeros完全相同的TF。火车。adamoptimizertorch。optim。亚当(火炬)优化器_ d=tf。火车。adamoptimizer()。最小化(d _ loss，var _ list=theta _ d)
optimizer _ d=torch . optim . Adam(params=theta _ d)就是这样。本文介绍tensorflow和pytorch之间的相互转换。关于tensorflow和pytorch相互转换的更多信息，请搜索热门IT软件开发工作室之前的文章或者继续浏览下面的相关文章。希望大家以后多多支持热门IT软件开发工作室！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。