PyTorch & TensorFlow速成复习：从基础语法到模型部署实战（附FPGA移植衔接）

PyTorch & TensorFlow速成复习：从基础语法到模型部署实战（附FPGA移植衔接）

引言：为什么算法移植工程师必须掌握框架基础？

针对光学类产品算法FPGA移植岗位需求（如可见光/红外图像处理），深度学习框架是算法落地的"桥梁"——既要用PyTorch/TensorFlow验证算法可行性，又要将训练好的模型（如CNN、目标检测）转换为FPGA可部署的格式（ONNX、TFLite）。本文采用"问题导向+场景驱动"模式，帮你7天内唤醒框架基础，并聚焦与FPGA移植强相关的核心技能。

第一部分：框架基础速通（3天唤醒记忆）

Day1：张量操作与计算图（共通核心）

1. 张量创建与属性（必会）

操作	PyTorch	TensorFlow	光学场景举例
创建全零张量	torch.zeros((3,4))	tf.zeros((3,4))	初始化图像卷积核权重
随机正态分布	torch.randn(1,3,224,224)	tf.random.normal([1,3,224,224])	生成模拟可见光图像数据(1批3通道224x224)
查看张量形状	x.shape / x.size()	x.shape / tf.shape(x)	检查红外图像输入维度
数据类型转换	x.to(torch.float32)	tf.cast(x, tf.float32)	FPGA定点化前统一数据类型

实战代码（以PyTorch为例，TensorFlow类比）：

import torch

# 模拟16位光谱图像数据（1批，16通道，512x512）
spectral_image = torch.randint(0, 65535, (1, 16, 512, 512), dtype=torch.int16)
# 转为浮点型并归一化到[0,1]（FPGA移植前预处理标准操作）
spectral_image = spectral_image.to(torch.float32) / 65535.0
# 查看形状：torch.Size([1, 16, 512, 512])
print("光谱图像形状:", spectral_image.shape)

2. 计算图与自动求导（核心差异）

• PyTorch：动态图（即时执行）

x = torch.tensor([2.0], requires_grad=True)
y = x**2 + 3*x# 动态计算图：y = x²+3x
y.backward()# 反向传播
print(x.grad)# 输出导数 dy/dx=2x+3 → 7.0

• TensorFlow1.x：静态图（需定义后执行）
• TensorFlow2.x：默认动态图（Eager Execution），与PyTorch语法接近

FPGA移植关联：训练时用动态图调试更灵活，部署前需用torch.jit.trace或tf.function固化计算图，消除控制流分支（FPGA不擅长处理复杂条件判断）。

Day2：神经网络构建与层操作（重点掌握CNN）

1. 核心网络层（光学图像处理必备）

层类型	PyTorch实现	TensorFlow实现	光学场景作用
卷积层	nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1)	tf.keras.layers.Conv2D(16, 3, padding='same', input_shape=(224,224,3))	提取图像边缘/纹理特征（可见光/红外通用）
池化层	nn.MaxPool2d(2, 2)	tf.keras.layers.MaxPooling2D(2, 2)	降维减少计算量
批归一化	nn.BatchNorm2d(16)	tf.keras.layers.BatchNormalization()	加速收敛，抗光照变化干扰
激活函数	nn.ReLU() / nn.LeakyReLU()	tf.keras.layers.ReLU() / tf.keras.layers.LeakyReLU()	引入非线性变换

2. 自定义网络（以红外目标检测骨干网络为例）

PyTorch版：

import torch.nn as nn

class InfraredBackbone(nn.Module):
def __init__(self):
super().__init__()
# 输入：1通道红外图像(1, 256, 256)
self.conv1 = nn.Sequential(
nn.Conv2d(1, 32, kernel_size=3, padding=1),# 32个3x3卷积核
nn.BatchNorm2d(32),
nn.ReLU(),
nn.MaxPool2d(2)# 输出(32, 128, 128)
)
self.conv2 = nn.Sequential(
nn.Conv2d(32, 64, kernel_size=3, padding=1),
nn.BatchNorm2d(64),
nn.ReLU(),
nn.MaxPool2d