一行代码迁移TensorFlow 1.x到TensorFlow 2.0

【导读】TensorFlow 2.0将会包含许多API改变，例如改变参数顺序、重命名、修改默认值等。人工进行代码迁移比较繁琐，还有出错的风险。为了能让你的老代码和TensorFlow 2.0进行无缝迁移，TensorFlow开发组创建了tf_upgrade_v2功能。

当你用pip你装TensorFlow 2.0是，tf_upgrade_v2就已经被自动安装了，它可以加速你将已有的TensorFlow 1.13脚本迁移到TensorFlow 2.0。

仍有一些句法和风格改变是tf_upgrade_v2无法自动迁移的，这些变更无法用简单的字符串替换来实现。为了确保你的代码可以被TensorFlow 2.0支持，升级脚本包含了一个compat.v1模块。这个模块会将tf.foo形式的调用天环卫tf.compat.v1.foo。推荐的做法是尽快人工校对这些替换，并将它们迁移到tf.*命名空间下的新API而不是使用tf.compat.v1.*命名空间。

 另外，由于一些模块的废弃（例如tf.flags和tf.contrib），TensorFlow 2.0会包含一些无法通过切换到compat.v1来解决的变更。升级这些代码需要用到额外的库（如absl.flags）或者切换到tensorflow/addons包下的代码。

如果你想要将你的模型从1.12迁移到TensorFlow 2.0，首先安装tf-nightly-2.0-preview或tf-nightly-gpu-2.0-preview。

可以直接升级一个单独的Python脚本：

The upgrade script can be run on a single Python file:

tf_upgrade_v2 — infile foo.py — outfile foo-upgraded.py

也可以在目录中进行：

# upgrade the .py files and copy all the other files to the outtree
tf_upgrade_v2 — intree foo/ — outtree foo-upgraded/
# just upgrade the .py files
tf_upgrade_v2 — intree foo/ — outtree foo-upgraded/ — copyotherfiles False

脚本会列出一系列改变，例如参数更名：

关键字更名：

以及推荐的人工检查：

所有的信息都会被包含在当前文件夹的report.txt中。更新完成后，你可以运行模型来检查你的输出是否和1.13时的输出相似。

警告：

• 在运行较本期按，不要手动升级代码。尤其是参数顺序变更的方法，例如tf.argmax或者tf.batch_to_space，这回导致脚本错误地添加关键词参数。

• 脚本并不会重排序参数，而是添加关键词参数。
  

参考链接：

• https://medium.com/tensorflow/upgrading-your-code-to-tensorflow-2-0-f72c3a4d83b5

-END-

专 · 知

专知《深度学习:算法到实战》课程全部完成！480+位同学在学习，现在报名，限时优惠！网易云课堂人工智能畅销榜首位！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程视频资料和与专家交流咨询！

请加专知小助手微信（扫一扫如下二维码添加），加入专知人工智能主题群，咨询《深度学习:算法到实战》课程，咨询技术商务合作~

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！

点击“阅读原文”，了解报名专知《深度学习:算法到实战》课程