您可以在 pytorch 中构建相同的模型。然后从 tensorflow 中提取权重并手动分配给 pytorch 中的每一层。根据层的数量，它可能很耗时。构建模型取决于模型，我认为在 pytorch 中并非一切皆有可能，而在 tensorflow 中可能。下面给出了如何在 pytorch 中分配权重和从 tensorflow 中提取权重的示例。

从张量流变量中获取权重W和b：

weights = sess.run(W)
bias = sess.run(b)

哪里sess是tf.Session。

为 pytorch 分配权重：

import torch
from torch.autograd import Variable
import torch.nn as nn
import torch.nn.functional as F

class Kernel_Emb(nn.Module):

    def __init__(self,D_in,H,D_out):
        super(Kernel_Emb, self).__init__()
        self.linear1 = nn.Linear(D_in,H)
        self.linear2 = nn.Linear(H,D_out)
        self.linear1.weight = torch.nn.Parameter(weights)
        self.linear1.bias = torch.nn.Parameter(bias)

如果变量未在 tensorflow 中定义（来源：https ://stackoverflow.com/questions/36193553/get-the-value-of-some-weights-in-a-model-trained-by-tensorflow ）：

如果您当前没有指向 的指针，您可以通过调用 [ ][4]tf.Variable获取当前图中可训练变量的列表。tf.trainable_variables()该函数返回当前图中所有可训练对象的列表，您可以通过匹配属性tf.Variable来选择您想要的对象。v.name例如：

# Desired variable is called "tower_2/filter:0".
var = [v for v in tf.trainable_variables() if v.name == "tower_2/filter:0"][0]