TensorFlow2运行TF1程序并解决GPU无法使用的问题

TensorFlow2运行TF1程序并解决GPU无法使用的问题

实验室机器预装了CUDA11.0，可以兼容最新的PyTorch1.8和TensorFlow2，但因为复现一些论文，需要运行TensorFlow1的代码。

环境：

• Ubuntu18.04
• CUDA11.0
• TensorFlow2.4.1

在上述背景下先后出现三个问题：

1. TF2相较TF1修改了一系列接口，TF1代码所使用的接口很多在TF2被废弃
2. 出现报错：RuntimeError:tf.placeholder() is not compatible with eager execution
3. TF1本身并不能兼容CUDA11.0，导致无法使用GPU

---

问题1.新版本废弃了旧版本接口

首先，TensorFlow官方给出了TF2运行TF1程序的旧版本接口：

// 在引入模块时，将原本的
import tensorflow as tf
// 改为
import tensorflow.compat.v1 as tf

这样旧版本接口都可以使用。

---

问题2.RuntimeError:tf.placeholder() is not compatible with eager execution

这一类错误的原因是虽然使用了TF1的接口，但底层部分代码的运行逻辑仍然是新版本的TF2，因此有下面两个解决办法：（此处参考了这篇博客）

1. 小范围解决，仅针对RuntimeError:tf.placeholder() is not compatible with eager execution报错。找到报错所在的代码行，在其上方添加这样一行代码：

   tf.disable_eager_execution()
   

   关闭紧急执行后上面的报错就可以消失。
2. 大范围解决，针对所有因为TF2底层运行特性不兼容旧版本接口的问题。在引入模块之后加入禁用TF2新特性：

   import tensorflow.compat.v1 as tf
   tf.disable_v2_behavior()
   

   但这种方式的缺陷在于，可能引入开篇提到的第三个问题，即TF1无法兼容CUDA11.0导致不能使用GPU。

---

问题3.改用TF1后无法使用GPU

如上文分析，TF1无法兼容CUDA11.0，此时有两种解决方案，一是直接安装TF1能够兼容的CUDA版本，在Ubuntu下不同的CUDA版本可以并存，通过修改软连接可以切换。详细的步骤请自行查阅其他博客，在此不叙述。

比较简单的方法二，非常魔幻，只需要在TF1程序运行前使用TF2接口调用GPU检查即可，具体原理不详：

import tensorflow.compat.v1 as tf
import tensorflow as tf2
tf2.test.is_gpu_available()

开头会打印一些GPU的信息，而整个程序里TF1代码也开始使用GPU运行。