La conversion automatique de modèles TensorFlow vers PyTorch reste un défi majeur malgré les efforts de la communauté. Ce post évalue deux approches prometteuses — l’utilisation du format ONNX et la migration via Keras3 — tout en soulignant leurs limites significatives. À l’heure actuelle, aucune solution entièrement fiable et sans faille n’est disponible publiquement. Le déclin de TensorFlow, marqué par une baisse de l’activité, du soutien communautaire et des innovations, pousse de nombreuses organisations à migrer vers PyTorch, qui domine aujourd’hui le paysage des frameworks d’apprentissage profond. Pourtant, les modèles existants en TensorFlow posent un problème de maintenance, d’interopérabilité et d’optimisation. Ignorer ces modèles (option 1) expose à des risques de dépréciation, tandis que la conversion manuelle (option 2) est coûteuse et peu scalable. La solution idéale serait donc une conversion automatisée (option 3), mais elle s’avère complexe. La première approche, basée sur ONNX, consiste à convertir d’abord le modèle TensorFlow en format ONNX via tf2onnx, puis à le traduire en PyTorch avec onnx2torch. Cette méthode fonctionne pour l’inférence, avec une précision numérique satisfaisante (différence maximale de ~9.4e-7). Toutefois, elle altère profondément la structure du modèle : le nombre de paramètres passe de 85 millions à moins de 600 000, car de nombreuses couches sont fusionnées ou « intégrées ». Le modèle devient ainsi inadapté à l’entraînement ou à l’optimisation fine (ex. : remplacement par scaled_dot_product_attention). De plus, des opérations comme OnnxReshape utilisent des tenseurs GPU pour les dimensions, entraînant des copies coûteuses entre CPU et GPU, ce qui nuit aux performances. Bien que compilé avec torch.compile, le modèle reste plus lent que le modèle TensorFlow original et bien plus lent que la version PyTorch native. La deuxième approche, via Keras3, repose sur une abstraction haut niveau permettant d’exécuter un modèle défini en Keras3 avec le backend PyTorch. Cette méthode nécessite une refonte partielle du modèle TensorFlow pour le rendre compatible avec Keras3, ce qui peut être complexe selon la complexité du modèle. Une fois le modèle converti, il conserve sa structure originale, avec le même nombre de paramètres, et peut être entraîné ou finetuné. Il est également possible d’optimiser des couches spécifiques, comme remplacer l’attention par scaled_dot_product_attention, ce qui améliore la performance d’environ 22 % par rapport au modèle TensorFlow initial. Toutefois, le modèle reste un module hybride, combinant code Keras3 et PyTorch, ce qui peut poser des problèmes d’intégration avec les outils PyTorch standard. En particulier, torch.compile échoue souvent en raison de recompilations multiples déclenchées par l’infrastructure interne de Keras3. En résumé, ni ONNX ni Keras3 ne proposent une solution parfaite. ONNX offre une conversion rapide mais dégrade la structure et les performances, tandis que Keras3 préserve la structure et permet l’optimisation, au prix d’une complexité d’implémentation et de limitations d’interopérabilité. Les deux solutions dépendent de projets tiers (ONNX, Keras3) dont la maintenance est inégale. Pour les modèles critiques, la conversion manuelle reste probablement la meilleure option, même si elle est coûteuse. En l’absence d’un outil universel, la décision dépendra du contexte : degré de complexité du modèle, besoin d’entraînement, contraintes de performance et disponibilité des ressources.