迁移神经网络实现的路径探索
机器学习
2026-05-19 v2
摘要
智能系统（即增强了人工智能组件的系统）的开发得益于神经网络（NN）的快速进步。随之涌现出各种各样的库和框架，以支持 NN 的设计和实现。选择何种框架取决于可用功能、易用性、文档和社区支持等因素。采用给定的 NN 框架后，组织可能会后来选择切换到另一个框架，以应对性能下降、需求变化或新功能的引入。不幸的是，由于缺乏专为 NN 设计的迁移方法，跨库迁移 NN 实现具有挑战性。这导致需要更多时间和精力来现代化 NN，因为必须进行手动更新以避免依赖过时的实现并确保与新特性的兼容性。本文提出了一种自动跨深度学习框架迁移神经网络代码的方法。我们的 метод利用称为 pivot NN model 的中间 NN 模型来创建 NN 在迁移前的抽象。我们使用两种流行的 NN 框架，即 PyTorch 和 TensorFlow 来验证所提方法。我们还讨论了在两种框架之间迁移代码的挑战以及这些挑战在我们方法中是如何被解决的。对五个 NN 的实验评估显示，我们的方法成功地迁移了它们的代码并产生与原件功能等价的 NN。我们的工作成果已在线上公开。
引用
@article{arxiv.2511.02610,
title = {Towards Migrating Neural Network Implementations},
author = {Nadia Daoudi and Ivan Alfonso and Jordi Cabot},
journal= {arXiv preprint arXiv:2511.02610},
year = {2026}
}
备注
To appear at the International Conference on AI-powered Software (AIware 2026)