如何通过FlowNet实例，探讨Pytorch模型转换为Keras的有效途径？

本文共计3591个文字，预计阅读时间需要15分钟。

PyTorch动态图机制，广泛用于工程实践，具有超越TensorFlow的趋势，但在数据优势上TF仍占优。有时会遇到需将模型应用到实际项目中的情况，需将模型应用到实际项目中。

Pytorch凭借动态图机制，获得了广泛的使用，大有超越tensorflow的趋势，不过在工程应用上，TF仍然占据优势。有的时候我们会遇到这种情况，需要把模型应用到工业中，运用到实际项目上，TF支持的PB文件和TF的C++接口就成为了有效的工具。今天就给大家讲解一下Pytorch转成Keras的方法，进而我们也可以获得Pb文件，因为Keras是支持tensorflow的，我将会在下一篇博客讲解获得Pb文件，并使用Pb文件的方法。

Pytorch To Keras

首先，我们必须有清楚的认识，网上以及github上一些所谓的pytorch转换Keras或者Keras转换成Pytorch的工具代码几乎不能运行或者有使用的局限性（比如仅仅能转换某一些模型），但是我们是可以用这些转换代码中看出一些端倪来，比如二者的参数的尺寸（shape）的形式、channel的排序（first or last）是否一样，掌握到差异性，就能根据这些差异自己编写转换代码，没错，自己编写转换代码，是最稳妥的办法。整个过程也就分为两个部分。笔者将会以Nvidia开源的FlowNet为例，将开源的Pytorch代码转化为Keras模型。

按照Pytorch中模型的结构，编写对应的Keras代码，用keras的函数式API，构建起来会非常方便。

把Pytorch的模型参数，按照层的名称依次赋值给Keras的模型

以上两步虽然看上去简单，但实际我也走了不少弯路。