怎么编写同时在PyTorch和Tensorflow上工作的代码

怎么编写同时在PyTorch和Tensorflow上工作的代码，针对这个问题，这篇文章详细介绍了相对应的分析和解答，希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。

Foolbox是一个构建在EagerPy之上的Python库。该库是用EagerPy而不是NumPy重写的，以实现在PyTorch和TensorFlow中开发，并且只有一个代码库，没有代码重复。Foolbox是一个对机器学习模型进行对抗性攻击的库。

框架无关的重要性

为了解决框架之间的差异，作者探索了句法偏差。在PyTorch的情况下，使用In-place的梯度需要使用**_grad_()，而反向传播是使用backward**()调用的。

然而，TensorFlow提供了一个高级管理器和像tape.gradient这样的函数来查询梯度。即使在句法层面，这两个框架也有很大的不同。例如，对于参数，dim vs axis；对于函数，sum vs reduce_sum。

这就是“EagerPy ”发挥作用的地方。它通过提供一个统一的API来解决PyTorch和TensorFlow之间的差异，该API透明地映射到各种底层框架，而无需计算开销。

“EagerPy允许你编写自动使用PyTorch、TensorFlow、JAX和NumPy的代码。”

研究人员写道，EagerPy专注于Eager执行，此外，它的方法是透明的，用户可以将与框架无关的EagerPy代码与特定于框架的代码结合起来。

TensorFlow引入的eager执行模块和PyTorch的相似特性使eager执行成为主流，框架更加相似。然而，尽管PyTorch和TensorFlow2之间有这些相似之处，但编写框架无关的代码并不简单。在语法层面，这些框架中用于自动微分的api是不同的。

自动微分是指用算法求解微分方程。它的工作原理是链式规则，也就是说，求解函数的导数可以归结为基本的数学运算（加、减、乘、除）。这些算术运算可以用图形格式表示。EagerPy特别使用了一种函数式的方法来自动区分。

下面是一段来自文档的代码片段：

import eagerpy as ep

x = ep.astensor(x)

def loss_fn(x):
	#这个函数接受并返回一个eager张量
    return x.square().sum()

print(loss_fn(x))

# PyTorchTensor(tensor(14.))

print(ep.value_and_grad(loss_fn, x))

首先定义第一个函数，然后根据其输入进行微分。然后传递给ep.value_and_grad 来得到函数的值及其梯度。

此外，norm函数现在可以与PyTorch、TensorFlow、JAX和NumPy中的原生张量和数组一起使用，与本机代码相比几乎没有任何开销。它也适用于GPU张量。

import torch

norm(torch.tensor([1., 2., 3.]))

import tensorflow as tf

norm(tf.constant([1., 2., 3.]))

总之，EagerPy 旨在提供以下功能：

• 为快速执行提供统一的API

• 维护框架的本机性能

• 完全可链接的API

• 全面的类型检查支持

研究人员声称，这些属性使得使用这些属性比底层框架特定的api更容易、更安全。尽管有这些变化和改进，但EagerPy 背后的团队还是确保了eagerpy API遵循了NumPy、PyTorch和JAX设置的标准。

入门EagerPy：

使用pip从PyPI安装最新版本：

python3 -m pip install eagerpy

import eagerpy as ep

def norm(x):

    x = ep.astensor(x)

    result = x.square().sum().sqrt()

    return result.raw

关于怎么编写同时在PyTorch和Tensorflow上工作的代码问题的解答就分享到这里了，希望以上内容可以对大家有一定的帮助，如果你还有很多疑惑没有解开，可以关注亿速云行业资讯频道了解更多相关知识。