tensorflow 1.X迁移至tensorflow2 代码写法

目标：代码改写成tf2格式

把tensorflow 1.X中的代码，迁移到tensorflow2中。一些常见的改写经验。包括sess，tf.placeholder， tf.InteractiveSession()，tf.Session()
tensorflow2相比于tensorflow 1.x版本有较大的变化，且网上现在好多文章的代码都是基于tf1.x版本的，学会简单的转换，帮助我们看代码。
整体来说，tensorflow2更加简洁了。
本文将持续更新中。

当然用tf.compat.v1也能解决部分问题。但是不推荐，毕竟tf2才是未来。

---

tf1和tf2区别：

• 1、tf1基于图模式，tf2基于eager模式，tf2对程序员更友好，更像是函数，更方便调试。
• 2、tf2更向keras靠拢，对分布式训练的支持更好。

改写内容：

tf.placeholder

tensorflow 1.x版本中的placeholder，在tf2中已经被取消，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，改写为：

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

tf.Sess,sess.run

• tensorflow 1.x由于是基于静态图机制（Graph Execution），需要先构造图，然后才真正运行，因此需要用显示调用Session后，才会真正触发计算。对调试代码非常不利。

• tensorflow 2.x默认是基于动态图机制（Eager Execution），就像常规函数一样，调用时就触发计算。对调试代码非常方便。

所以，tf1中session部分代码，可以全部去掉。
示例：
tf1中

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

tf2中，改写为：

直接不要

具体例子1：

tf1的代码：源自

import tensorflow as tf
import numpy as np

# 定义一个未知变量input_ids用于存储索引
input_ids = tf.placeholder(dtype=tf.int32, shape=[None])

# 定义一个已知变量embedding，是一个5*3的矩阵
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]])

# 根据input_ids中的id，查找embedding中对应的元素
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]}))

改写tf2代码：

import tensorflow as tf
import numpy as np

# 定义一个未知变量input_ids用于存储索引
input_ids = tf.keras.Input(dtype=tf.int32, shape=[None])

# 定义一个已知变量embedding，是一个5*3的矩阵
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])
# 根据input_ids中的id，查找embedding中对应的元素
input_embedding = tf.nn.embedding_lookup(embedding, input_ids)
print(input_embedding)

可见，tf2代码简洁明了不少，多动手试试，就能体会。

---

结论：

深刻体会tf2带来的变革。
1、体会静态图和动态图的差别
2、体会对分布式训练的优化（未来写）
3、体会模型训练的便利性（直接用compile等，keras的便利性。）