将TensorFlow模型自动转换为PyTorch是一个长期存在的难题，目前尚无完全可靠的解决方案。尽管PyTorch已成为主流框架，而TensorFlow逐渐式微，但大量已部署的TensorFlow模型仍需迁移。本文评估了两种自动化转换方案：基于ONNX格式的转换和基于Keras3 API的转换，但两者均存在显著局限。 第一种方案是通过ONNX作为中间格式，先将TensorFlow模型导出为ONNX，再转换为PyTorch。该方法在数值精度上表现良好，输出差异极小（最大差值约9.39e-7），但模型结构被严重破坏：原始模型约8500万可训练参数，转换后仅剩58万，且大量参数被“固化”在模型中。这导致模型无法用于训练或微调，且因拆分为大量低级操作，难以应用PyTorch的高效优化（如scaled_dot_product_attention）。此外，模型性能反而低于原TensorFlow版本，且PyTorch编译失败，主要因ONNX层中形状处理方式不兼容。 第二种方案是使用Keras3作为统一接口，先将TensorFlow模型重构为Keras3格式，再切换至PyTorch后端运行。该方法保留了原始模型的结构和参数数量，支持训练与微调，并可轻松替换关键层（如用PyTorch的SDPA优化注意力机制），使推理速度提升22%。然而，该方案要求模型本身兼容Keras3，需手动重写部分代码，且最终模型并非“纯”PyTorch模型，包含Keras3的抽象层，可能影响与现有PyTorch工具链的兼容性。此外，PyTorch编译（torch.compile）在Keras3中仍存在限制，难以直接使用。 综上，ONNX方案适合仅需推理的简单场景，但无法支持优化与训练；Keras3方案更优，尤其适合需微调和性能优化的场景，但需投入代码重构成本。目前，尚无“开箱即用”的完美方案。最终选择应根据模型复杂度、是否需训练、性能要求及团队资源综合判断。对于大多数企业而言，若模型仍具价值，Keras3路径是更可持续的折中选择。