PyTorch→TensorFlow权重迁移需手动映射层名与形状：先用torch.load加载state_dict，比对PyTorch键名（如"conv1.weight"）与TF层属性（如model.layers[0].kernel），卷积权重按(out_ch,in_ch,h,w)→(h,w,in_ch,out_ch)转置，BN参数需对应moving_mean/variance，最后逐层赋值验证。
PyTorch → TensorFlow：用 torch.load 读取后手动映射权重
PyTorch 模型参数是 state_dict（OrderedDict），TensorFlow 的 tf.keras.Model 没有直接等价接口，必须逐层赋值。关键不是“转换框架”，而是对齐层名和张量形状。
- 先用
torch.load("model.pth", map_location="cpu")加载，避免 GPU 设备冲突 - 检查 PyTorch 层名（如
"conv1.weight"）和 TensorFlow 层名（如model.layers[0].kernel）是否可对应；常见坑是 BN 层的running_mean/running_var在 TF 中需赋给moving_mean/moving_variance - 注意维度顺序：PyTorch 是
[out_ch, in_ch, h, w]，TF 默认是[h, w, in_ch, out_ch]，卷积权重必须用np.transpose(weight, (2, 3, 1, 0))转换 - BN 和 Linear 层 bias 通常无需转置，但务必确认 TF 层是否启用
use_bias=True
TensorFlow → PyTorch：用 model.weights 提取再 reshape
TF 的权重是按层顺序存为 tf.Variable 列表，索引不稳定，不能靠位置硬匹配；必须依赖层名或结构遍历。
- 用
[w.numpy() for w in model.weights]获取所有权重数组，但需配合model.layers遍历才能知道哪个是 conv kernel、哪个是 dense bias - TF 的 Conv2D kernel 形状是
(h,w,in_ch,out_ch)，导入 PyTorch 前要转成(out_ch,in_ch,h,w)，别漏掉np.transpose(w, (3,2,0,1)) - TF 的 Dense 层权重默认是
(in_ch, out_ch)，PyTorch 的Linear.weight也是同样顺序，可直接赋值；但 TF bias 是(out_ch,)，PyTorch 也一样，无需 reshape - 如果模型含自定义层（如 Attention），必须手动核对每个变量名和 shape，
model.weights不保证顺序与model.layers一致
遇到 ValueError: Shape mismatch 怎么快速定位？
这不是代码写错，而是张量 shape 对不上——90% 出现在卷积核、Embedding 或 LSTM 权重上。
- 打印两边权重 shape：
print("PT:", pt_w.shape, "TF:", tf_w.shape)，尤其关注 Embedding 的[vocab_size, dim]是否颠倒 - LSTM 的权重在 PyTorch 是拼接的
[4*hidden_size, input_size]，TF 分成kernel和recurrent_kernel两块，不能直接拷贝 - 使用
tf.keras.layers.Layer.get_weights()而非layer.weights，前者返回标准 list of numpy arrays，后者返回 Variable 对象列表 - 如果用 Hugging Face 模型，优先查官方文档是否提供
from_pretrained(..., from_pt=True/False)，比手写转换可靠得多
为什么不用 ONNX 作为中间格式？
ONNX 确实能桥接，但实际落地时容易卡在算子支持和精度损失上。
立即学习“Python免费学习笔记（深入）”；
- PyTorch 导出 ONNX 时若用了
torch.nn.functional.interpolate的 mode="bicubic"，TF 的onnxruntime可能不支持，报Unsupported op type - 导出时必须固定输入 shape（如
torch.onnx.export(..., input_shape=(1,3,224,224))），动态 batch 或 seq len 会失败 - ONNX 的 float16 转换在 TF 端可能触发
InvalidArgumentError: Cannot assign a device for operation，尤其在旧版 CUDA 驱动下 - 真正省事的场景只有：模型结构简单（纯 CNN）、无 control flow（if/loop）、且两端都用最新稳定版（PyTorch ≥2.0, TF ≥2.12）
手动映射看着麻烦，但控制权全在自己手里；ONNX 看似自动，出问题反而更难 debug。
