Python 如何正确地将pytorch LSTM转换为keras CuDNNLSTM？

我正在尝试手动将Pytorch模型转换为Tensorflow进行部署。ONNX似乎并不是从Pytorch LSTMs到Tensorflow CuDNNLSTMs的，所以这就是我手工编写它的原因

我尝试了以下代码： 这是在运行Python 2.7、Pytorch 1.0、tensorflow 1.12和cuda9的Anaconda环境中运行的。我在Pytorch层中运行它时没有任何偏差，因为它遵循batchnorm，但由于Keras不提供该选项，我只是将偏差指定为0

导入火炬
导入tensorflow作为tf
将numpy作为np导入
从tensorflow.keras.layers导入CuDNNLSTM，双向
从tensorflow.keras.models导入顺序模型
输入大小=80
隐藏大小=512
使用手电筒。无梯度（）
rnn1=torch.nn.LSTM（输入大小=输入大小，隐藏大小=隐藏大小，双向=真，偏差=假，批处理大小=真）。cuda（）
模型=顺序（）
add（双向（CuDNNLSTM（hidden\u size，return\u sequences=True），input\u shape=（None，input\u size），name='rnn'））
偏差大小=rnn1.重量\uhh\ul0.分离（）.cpu（）.numpy（）.T.shape[1]*2
keras_格式_权重=[
rnn1.weight\u ih\u l0.detach（）.cpu（）.numpy（）.T，
rnn1.weight\u hh\u l0.detach（）.cpu（）.numpy（）.T，
np.零（偏差大小，），
rnn1.weight\u ih\u l0\u reverse.detach（）.cpu（）.numpy（）.T，
rnn1.weight\u hh\u l0\u reverse.detach（）.cpu（）.numpy（）.T，
np.零（偏差大小，），
]
model.layers[0]。设置权重（keras\u格式\u权重）
随机检验=np.random.rand（1,1,80）
res1，u=rnn1.forward（torch.FloatTensor（随机测试）.cuda（））
res1=res1.detach（）.cpu（）.numpy（）
res2=模型预测（随机_检验）
打印（np.allclose（res1、res2、atol=1e-2））
打印（res1）
打印（res2）

现在，这确实适用于通用Keras LSTM：

model = Sequential()
model.add(Bidirectional(LSTM(hidden_size, recurrent_activation='sigmoid', return_sequences=True),  input_shape=(None, input_size), name='rnn'))

bias_size = rnn1.weight_hh_l0.detach().cpu().numpy().T.shape[1]
keras_format_weights = [
                    rnn1.weight_ih_l0.detach().cpu().numpy().T,
                    rnn1.weight_hh_l0.detach().cpu().numpy().T,
                    np.zeros((bias_size,)),
                    rnn1.weight_ih_l0_reverse.detach().cpu().numpy().T,
                    rnn1.weight_hh_l0_reverse.detach().cpu().numpy().T,
                    np.zeros((bias_size,))
                  ]

---

但我需要CuDNNLSTM的速度优势，Pytorch无论如何都使用相同的后端。

更新：解决方案是将torch模型转换为keras基础LSTM模型，然后调用

base_lstm_model.save_weights('1.h5')
cudnn_lstm_model.load_weights('1.h5')

base_lstm_model.save_weights('1.h5')
cudnn_lstm_model.load_weights('1.h5')