TensorFlow 2.0 将包含许多 API 变更，例如，对参数进行重新排序、重新命名符号和更改参数的默认值。手动执行所有这些变更不仅枯燥乏味，而且容易出错。为简化变更过程并让您尽可能顺畅地过渡到 TensorFlow 2.0，TensorFlow 工程团队创建了实用程序 tf_upgrade_v2，可帮助您将旧代码转换至新 API。
60s测试：你是否适合转型人工智能？
https://edu.csdn.net/topic/ai30?utm_source=cxrs_bw
传送门：
tf_upgrade_v2：https://github.com/tensorflow/docs/blob/master/site/en/r2/guide/upgrade.md
使用 pip 安装 TensorFlow 2.0 时，系统会自动添加 tf_upgrade_v2 实用程序。该程序可将现有的 TensorFlow 1.13 Python 脚本转换为 TensorFlow 2.0，以帮助加快您的升级过程。
我们已尝试自动化处理尽可能多的升级任务，但脚本仍无法处理一些句法和风格方面的变更。
某些 API 符号可能无法仅使用字符串替代方案简单升级。为确保 TensorFlow 2.0 仍支持您的代码，升级脚本加入了 compat.v1 模块。此模块将以等效的 tf.compat.v1.foo 引用代替表单 tf.foo 的调用。不过，建议您手动检查此类替代方案，并尽快将其迁移至 tf.* 命名空间（代替 tf.compat.v1.* 命名空间）中的新 API。
此外，由于我们弃用了某些模块（例如 tf.flags 和 tf.contrib)，您将无法通过切换至 compat.v1 来实现 TensorFlow 2.0 中的某些变更。升级使用这些模块的代码可能需要额外使用一个库（如 absl.flags）或切换至 tensorflow/addons 中的软件包。
传送门：
tensorflow/addons：
https://github.com/tensorflow/addons
如果您想尝试将模型从 TensorFlow 1.12 升级至 TensorFlow 2.0，请按照下方说明执行操作：
首先，安装 tf-nightly-2.0-preview / tf-nightly-gpu-2.0-preview。
注意：使用 pip 安装 TensorFlow 1.13 及以上版本（包括 nightly 2.0 构建版）时，系统会自动安装 tf_upgrade_v2。
您可以在单个 Python 文件上运行升级脚本：
tf_upgrade_v2 --infile foo.py --outfile foo-upgraded.py
您也可以在目录树上运行升级脚本：
# 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
此脚本还会列出详细的变更，例如参数重命名：
添加关键字：
以及推荐进行的任何手动检查情况：
所有这些信息将导出至主目录的 report.txt 文件中。在 tf_upgrade_v2 运行升级后的脚本并将其导出后，您便可运行模型并进行检查，以确保您的输出与 TensorFlow 1.13 类似：
注意：
-
在运行此脚本前，请勿手动升级部分代码。特别要注意的是，在对函数中的 tf.argmax 或 tf.batch_to_space 等参数进行重新排序后，脚本会错误地添加关键字参数并导致现有的代码发生错误映射
-
此脚本不会对参数进行重新排序。相反，此脚本会将关键字参数添加至对自身参数进行重新排序的函数中
如要报告升级脚本错误或发出功能请求，请在 GitHub 上提交问题。
（本文为AI科技大本营转载文章，转载请联系作者）
2019年人工智能系统学：
https://edu.csdn.net/topic/ai30?utm_source=csdn_bw
群招募
扫码添加小助手微信，回复：公司+研究方向（学校+研究方向），邀你加入技术交流群。技术群审核较严，敬请谅解。
推荐阅读：
点击“阅读原文”，查看历史精彩文章。
