TensorFlow 2.0 將包含許多 API 變更，例如，對參數進行重新排序、重新命名符號和更改參數的默認值。手動執行所有這些變更不僅枯燥乏味，而且容易出錯。為簡化變更過程並讓您盡可能順暢地過渡到 TensorFlow 2.0，TensorFlow 工程團隊創建了實用程序 tf_upgrade_v2，可幫助您將舊代碼轉換至新 API。
60s測試：你是否適合轉型人工智能？
https://edu.csdn.net/topic/ai30?utm_source=cxrs_bw
傳送門：
tf_upgrade_v2：https://github.com/tensorflow/docs/blob/master/site/en/r2/guide/upgrade.md
使用 pip 安裝 TensorFlow 2.0 時，系統會自動添加 tf_upgrade_v2 實用程序。該程序可將現有的 TensorFlow 1.13 Python 腳本轉換為 TensorFlow 2.0，以幫助加快您的升級過程。
我們已嘗試自動化處理盡可能多的升級任務，但腳本仍無法處理一些句法和風格方面的變更。
某些 API 符號可能無法僅使用字符串替代方案簡單升級。為確保 TensorFlow 2.0 仍支持您的代碼，升級腳本加入了 compat.v1 模塊。此模塊將以等效的 tf.compat.v1.foo 引用代替表單 tf.foo 的調用。不過，建議您手動檢查此類替代方案，並盡快將其遷移至 tf.* 命名空間（代替 tf.compat.v1.* 命名空間）中的新 API。
此外，由於我們棄用了某些模塊（例如 tf.flags 和 tf.contrib)，您將無法通過切換至 compat.v1 來實現 TensorFlow 2.0 中的某些變更。升級使用這些模塊的代碼可能需要額外使用一個庫（如 absl.flags）或切換至 tensorflow/addons 中的軟件包。
傳送門：
tensorflow/addons：
https://github.com/tensorflow/addons
如果您想嘗試將模型從 TensorFlow 1.12 升級至 TensorFlow 2.0，請按照下方說明執行操作：
首先，安裝 tf-nightly-2.0-preview / tf-nightly-gpu-2.0-preview。
注意：使用 pip 安裝 TensorFlow 1.13 及以上版本（包括 nightly 2.0 構建版）時，系統會自動安裝 tf_upgrade_v2。
您可以在單個 Python 文件上運行升級腳本：
tf_upgrade_v2 --infile foo.py --outfile foo-upgraded.py
您也可以在目錄樹上運行升級腳本：
# 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
此腳本還會列出詳細的變更，例如參數重命名：
添加關鍵字：
以及推薦進行的任何手動檢查情況：
所有這些信息將導出至主目錄的 report.txt 文件中。在 tf_upgrade_v2 運行升級后的腳本並將其導出后，您便可運行模型並進行檢查，以確保您的輸出與 TensorFlow 1.13 類似：
注意：
-
在運行此腳本前，請勿手動升級部分代碼。特別要注意的是，在對函數中的 tf.argmax 或 tf.batch_to_space 等參數進行重新排序后，腳本會錯誤地添加關鍵字參數並導致現有的代碼發生錯誤映射
-
此腳本不會對參數進行重新排序。相反，此腳本會將關鍵字參數添加至對自身參數進行重新排序的函數中
如要報告升級腳本錯誤或發出功能請求，請在 GitHub 上提交問題。
（本文為AI科技大本營轉載文章，轉載請聯系作者）
2019年人工智能系統學：
https://edu.csdn.net/topic/ai30?utm_source=csdn_bw
群招募
掃碼添加小助手微信，回復：公司+研究方向（學校+研究方向），邀你加入技術交流群。技術群審核較嚴，敬請諒解。
推薦閱讀：
點擊“閱讀原文”，查看歷史精彩文章。
