tensorflow 1.X迁移至tensorflow2 的代码写法
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：
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。）
到此这篇关于tensorflow 1.X迁移至tensorflow2 的代码写法的文章就介绍到这了,更多相关tensorflow 1.X迁移至tensorflow2 内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
这篇文章主要介绍了python-字典dict和集合set,字典是python中的一种数据结构。集合(set)与字典相同均存储key，但只存储key，key不可重复，所以set中的值不可重复，而且是无序，下面来看看更多相关内容吧2021-12-12
python: 判断tuple、list、dict是否为空的方法
今天小编就为大家分享一篇python: 判断tuple、list、dict是否为空的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-10-10
这篇文章主要为大家介绍了python人工智能深度学习关于算法优化详解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步2021-11-11
python合并已经存在的sheet数据到新sheet的方法
今天小编就为大家分享一篇python合并已经存在的sheet数据到新sheet的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-12-12
python中必会的四大高级数据类型（字符,元组,列表,字典）
这篇文章主要介绍了python中必会的四大高级数据类型（字符,元组,列表,字典）,本文通过实例图文相结合给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下2021-05-05
这篇文章主要介绍了使用matplotlib实现在同一个窗口绘制多个图形问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教2023-08-08
这篇文章主要介绍了python rpyc客户端调用服务端方法的注意说明，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教2022-06-06
这篇文章主要介绍了Python中绑定与未绑定的类方法用法,结合实例形式分析了未绑定的类方法与绑定的实例方法相关使用技巧,需要的朋友可以参考下2016-04-04
这篇文章主要为大家详细介绍了python递归函数绘制分形树的方法，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2018-06-06
Python使用PyQt5/PySide2编写一个极简的音乐播放器功能
这篇文章主要介绍了Python中使用PyQt5/PySide2编写一个极简的音乐播放器功能，本文通过实例代码给大家介绍的非常详细，具有一定的参考借鉴价值,需要的朋友可以参考下2020-02-02
最新评论