tensorflow 1.X遷移至tensorflow2 的代碼寫法

更新時間：2021年12月13日 09:39:37 作者：浪漫的數(shù)據(jù)分析

本文主要介紹了tensorflow 1.X遷移至tensorflow2 的代碼寫法，文中通過示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下

目標：代碼改寫成tf2格式

把tensorflow 1.X中的代碼，遷移到tensorflow2中。一些常見的改寫經驗。包括sess，tf.placeholder， tf.InteractiveSession()，tf.Session()
tensorflow2相比于tensorflow 1.x版本有較大的變化，且網上現(xiàn)在好多文章的代碼都是基于tf1.x版本的，學會簡單的轉換，幫助我們看代碼。
整體來說，tensorflow2更加簡潔了。
本文將持續(xù)更新中。

當然用tf.compat.v1也能解決部分問題。但是不推薦，畢竟tf2才是未來。

tf1和tf2區(qū)別：

1、tf1基于圖模式，tf2基于eager模式，tf2對程序員更友好，更像是函數(shù)，更方便調試。

2、tf2更向keras靠攏，對分布式訓練的支持更好。

改寫內容：

tf.placeholder

tensorflow 1.x版本中的placeholder，在tf2中已經被取消，在tf2中，可以用tf.keras.Inputs代替。
示例：
tf1中

input_ids = tf.placeholder(dtype=tf.int32, shape=[None])

tf2中，改寫為：

input_ids = tf.keras.Input(dtype=tf.int32, shape=[None])

tf.Sess,sess.run

tensorflow 1.x由于是基于靜態(tài)圖機制（Graph Execution），需要先構造圖，然后才真正運行，因此需要用顯示調用Session后，才會真正觸發(fā)計算。對調試代碼非常不利。
tensorflow 2.x默認是基于動態(tài)圖機制（Eager Execution），就像常規(guī)函數(shù)一樣，調用時就觸發(fā)計算。對調試代碼非常方便。

所以，tf1中session部分代碼，可以全部去掉。

示例：

tf1中

sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())

tf2中，改寫為：直接不要

具體例子1：

tf1的代碼：

import tensorflow as tf
import numpy as np

# 定義一個未知變量input_ids用于存儲索引
input_ids = tf.placeholder(dtype=tf.int32, shape=[None])

# 定義一個已知變量embedding，是一個5*3的矩陣
embedding = a = np.asarray([[0.1, 0.2, 0.3], [1.1, 1.2, 1.3], [2.1, 2.2, 2.3], [3.1, 3.2, 3.3], [4.1, 4.2, 4.3]])

# 根據(jù)input_ids中的id，查找embedding中對應的元素
input_embedding = tf.nn.embedding_lookup(embedding, input_ids)

sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())
# print(embedding.eval())
print(sess.run(input_embedding, feed_dict={input_ids: [1, 2, 3, 0, 3, 2, 1]}))

改寫tf2代碼：

import tensorflow as tf
import numpy as np

# 定義一個未知變量input_ids用于存儲索引
input_ids = tf.keras.Input(dtype=tf.int32, shape=[None])

# 定義一個已知變量embedding，是一個5*3的矩陣
embedding = a = np.asarray([[0.1, 0.2, 0.3], [1.1, 1.2, 1.3], [2.1, 2.2, 2.3], [3.1, 3.2, 3.3], [4.1, 4.2, 4.3]])

input_ids = np.array([1, 2, 3, 0, 3, 2, 1])
# 根據(jù)input_ids中的id，查找embedding中對應的元素
input_embedding = tf.nn.embedding_lookup(embedding, input_ids)
print(input_embedding)

可見，tf2代碼簡潔明了不少，多動手試試，就能體會。