TensorFlow-1-0-版本-API-变动汇总

作者：chen_h
微信号 & QQ：862251340
微信公众号：coderpai

---

TensorFlow 1.0 中的 API 不是完全的向后兼容的方式。也就是说，使用 TensorFlow 0.n 的 TensorFlow 程序不一定适用于 TensorFlow 1.0 版本。我们已经对其中一部分的 API 进行了更改，以确保内部 API 风格一致，并且不打算在整个 1.n 周期内做出任何反向变化。

本指南将引导你了解 API 的主要更改以及如何自动升级 TensorFlow 1.0 的程序。本指南不仅可以帮助你完成更改，还解释为什么我们对此做出了这些更改。

如何升级

如果你想自动将你的代码移植到 1.0 版本，你可以尝试我们的 tf_upgrade.py 脚本。虽然此脚本可以处理大多数情况，但是有时候也需要进行手动修改。这个脚本可以在我们的 GitHub 中得到。

如果要将单个 0.n TensorFlow 源文件转换到 1.0 版本，请输入以下格式的命令：

python tf_upgrade.py --infile InputFile --outfile OutputFile

例如，以下命令将文件名为 test.py 的 0.n TensorFlow 程序转换为名为 test_1.0.py 的 1.0 TensorFlow 程序：

python tf_upgrade.py --infile test.py --outfile test_1.0.py

tf_upgrade.py 脚本还会生成一个名为 report.txt 的文件，该文件详细说明了它所执行的所有更改，并提供了你可能需要手动进行更改的其他建议。

要将 0.n TensorFlow 程序的整个目录升级到 1.0，请输入以下格式的命令：

python tf_upgrade.py --intree InputDir --outtree OutputDir

例如，以下命令转换 /home/user/cool 目录中的所有 0.n TensorFlow 程序，在 /home/user/cool_1.0 目录中创建它们的 1.0 个等效项：

python tf_upgrade.py --intree /home/user/cool --outtree /home/user/cool_1.0

限制

有几件事需要注意。特别是：

• 你必须手动修复任何有关 tf.reverse() 的实例。tf_upgrade.py 脚本将在 stdout 和 report.txt 文件中给出警告信息。
• 在重新排序的参数中，tf_upgrade.py 尝试最小化需要调整的代码，因此无法自动更改实际的参数顺序。相反，tf_upgrade.py 通过引入关键字参数使得函数的调用变得独立。
• 像对 tf.get_variable_scope().reuse_variables() 这样的 API 进行重构可能不起任何作用，所以，我们建议删除这些函数，并且用以下的函数来替换它：

 with tf.variable_scope(tf.get_variable_scope(), reuse=True):
     ...

• 类似于 tf.pack 和 tf.unpack，我们将 TensorArray.pack 和 TensorArray.unpack 重命名为 TensorArray.unstack。但是，TensorArray.pack 和 TensorArray.unpack 不能被检测到，因为它们与 tf 命名空间简介相关，例如 foo = tf.TensorArray(); foo.unpack()

手动升级你的代码

除了运行 tf_upgrade.py 脚本，我们也可以手动来升级我们的代码。本文的其余部分提供了 TensorFlow 1.0 中所有向后不兼容更改的全面列表。

变量（Variables）

变量函数已经变得更加一致，更不容易混淆。

• tf.VARIABLES
  
  • 应该重命名为 tf.GLOBAL_VARIABLES
• tf.all_variables
  
  • 应该重命名为 tf.global_variables
• tf.initialize_all_variables
  
  • 应该重命名为 tf.global_variables_initializer
• tf.initialize_local_variables
  
  • 应该重命名为 tf.local_variables_initializer
• tf.initialize_variables
  
  • 应该重命名为 tf.variables_initializer

汇总函数（Summary function）

汇总函数已经合并到 tf.summary 命名空间下了。

• tf.audio_summary
  
  • 应该重命名为 tf.summary.audio
• tf.contrib.deprecated.histogram_summary
  
  • 应该重命名为 tf.summary.histogram
• tf.contrib.deprecated.scalar_summary
  
  • 应该重命名为 tf.summary.scalar
• tf.histogram_summary
  
  • 应该重命名为 tf.summary.histogram
• tf.image_summary
  
  • 应该重命名为 tf.summary.image
• tf.merge_all_summaries
  
  • 应该重命名为 tf.summary.merge_all
• tf.merge_summary
  
  • 应该重命名为 tf.summary.merge
• tf.scalar_summary
  
  • 应该重命名为 tf.summary.scalar
• tf.train.SummaryWriter
  
  • 应该重命名为 tf.summary.FileWriter

数值差异

整数部分和 tf.floordiv 现在使用地板语义。这是为了使 np.divide 和 np.mod 的结构分别与 tf.divide 和 tf.mod 一致。另外我们改变了 tf.round 使用的摄入算法来匹配 NumPy。

• tf.div
  
  • tf.divide 划分的语义已经被改变，因为要完全匹配 Python 语义。也就是说，在 Python 3中 / 将得到完整的数值，而在 Python 2 中只能得到整数部分，而 // 将得到整数部分。然而，即使 tf.div 也会产生地板整数除法。要强制 C 风格的截断语义，你必须使用 tf.truncatediv 函数。
  • 考虑改变你的代码去使用 tf.divide，这个函数遵循 Python 语义进行了升级。
• tf.mod
  
  • tf.mod 的语义已经改变为匹配 Python 语义。特别地，地板语义用于整数。如果你想要 C 风格的截断 mod（余数），可以使用 tf.truncatemod。

可以用这个表来总结新旧函数：

四舍五入的新旧行为可以概括如下：

NumPy 匹配名称

许多功能已经重新命名为匹配 NumPy。这样做是为了使 NumPy 和 TensorFlow 之间的转换尽可能简单。还有许多功能不匹配的情况，所以这远远不是一个简单和快速的规则，但是我们已经删除了几个常见的不一致函数。

• tf.inv
  
  • 应该重命名为 tf.reciprocal。
  • 这样做是为了避免与 NumPy 的矩阵逆 np.inv 混淆。
• tf.list_diff
  
  • 应该重命名为 tf.setdiff1d
• tf.listdiff
  
  • 应该重命名为 tf.setdiff1d
• tf.mul
  
  • 应该重命名为 tf.multiply
• tf.neg
  
  • 应该重命名为 tf.negative
• tf.select
  
  • 应该重命名为 tf.where
  • tf.where 现在可以接受3个或者1个参数，跟 np.where 一样
• tf.sub
  
  • 应该重命名为 tf.subtract

NumPy 匹配参数

某些 TensorFlow 1.0 方法中的参数现在已经匹配某些 NumPy 方法中的参数。为了实现这一点，TensorFlow 1.0 已经改变了关键字参数并重新排列了一些参数。值得注意的是，TensorFlow 1.0 现在使用“轴”的概念而不是“维度”。TensorFlow 1.0 旨在保持张量参数首先修改 Tensors 的操作。（参见 tf.concat 更改）

• tf.argmax
  
  • 关键参数 dimension 应该被修改为 axis
• tf.argmin
  
  • 关键参数 dimension 应该被修改为 axis
• tf.concat
  
  • 关键参数 concat_dim 应该被修改为 axis
  • 参数已经被重新排版为 tf.concat(values, axis, name = 'concat')
• tf.count_nonzero
  
  • 关键参数 reduction_indices 应该被修改为 axis
• tf.expand_dims
  
  • 关键参数 dim 应该被修改为 axis
• tf.reduce_all
  
  • 关键参数 reduction_indices 应该被修改为 axis
• tf.reduce_any
  
  • 关键参数 reduction_indices 应该被修改为 axis
• tf.reduce_join
  
  • 关键参数 reduction_indices 应该被修改为 axis
• tf.reduce_logsumexp
  
  • 关键参数 reduction_indices 应该被修改为 axis
• tf.reduce_max
  
  • 关键参数 reduction_indices 应该被修改为 axis
• tf.reduce_mean
  
  • 关键参数 reduction_indices 应该被修改为 axis
• tf.reduce_min
  
  • 关键参数 reduction_indices 应该被修改为 axis
• tf.reduce_prod
  
  • 关键参数 reduction_indices 应该被修改为 axis
• tf.reduce_sum
  
  • 关键参数 reduction_indices 应该被修改为 axis
• tf.reverse
  
  • 以前 tf.reverse 使用一个一维的布尔类型的数组来控制转换的维度，现在我们使用张量的索引来控制。
  • 比如，tf.reverse(a, [True, False, True]) 现在需要被表示为 tf.reverse(a, [0, 2])
• tf.reverse_sequence
  
  • 关键参数 batch_dim 应该被修改为 batch_axis
  • 关键参数 seq_dim 应该被修改为 seq_axis
• tf.sparse_concat
  
  • 关键参数 concat_dim 应该被修改为 axis
• tf.sparse_reduce_sum
  
  • 关键参数 reduction_axes 应该被修改为 axis
• tf.sparse_reduce_sum_sparse
  
  • 关键参数 reduction_axes 应该被修改为 axis
• tf.sparse_split
  
  • 关键参数 split_dim 应该被修改为 axis
  • 函数内部参数需要重新调整为 tf.sparse_split(keyword_required=KeywordRequired(), sp_input=None, num_split=None, axis=None, name=None, split_dim=None)
• tf.split
  
  • 关键参数 split_dim 应该被修改为 axis
  • 关键参数 num_split 应该被修改为 num_or_size_splits
  • 函数内部参数需要重新调整为 tf.split(value, num_or_size_splits, axis=0, num=None, name='split')。
• tf.squeeze
  
  • 关键参数 squeeze_dims 应该被修改为 axis
• tf.svd
  
  • 函数内部参数需要重新调整为 tf.svd(tensor, full_matirces = False, compute_uv = True, name = None)。

简化的数学变体

批量化的数学运算已被删除了。现在，功能包含在非批量化的版本中。同样，tf.complex_abs 已经将其功能移到了 tf.abs 。

• tf.batch_hand_part
  
  • 应该重命名为 tf.hand_part
• tf.batch_cholesky
  
  • 应该重命名为 tf.cholesky
• tf.batch_cholesky_solve
  
  • 应该重命名为 tf.cholesky_solve
• tf.batch_fft
  
  • 应该重命名为 tf.fft
• tf.batch_fft3d
  
  • 应该重命名为 tf.fft3d
• tf.batch_ifft
  
  • 应该重命名为 tf.ifft
• tf.batch_ifft2d
  
  • 应该重命名为 tf.ifft2d
• tf.batch_ifft3d
  
  • 应该重命名为 tf.ifft3d
• tf.batch_matmul
  
  • 应该重命名为 tf.matmul
• tf.batch_matrix_determinant
  
  • 应该重命名为 tf.matrix_determinant
• tf.batch_matrix_diag
  
  • 应该重命名为 tf.matrix_diag
• tf.batch_matrix_inverse
  
  • 应该重命名为 tf.matrix_inverse
• tf.batch_matrix_solve
  
  • 应该重命名为 tf.matrix_solve
• tf.batch_matrix_solve_ls
  
  • 应该重命名为 tf.matrix_solve_ls
• tf.batch_matrix_transpose
  
  • 应该重命名为 tf.matrix_transpose
• tf.batch_matrix_triangular_solve
  
  • 应该重命名为 tf.matrix_triangular_solve
• tf.batch_self_adjoint_eig
  
  • 应该重命名为 tf.self_adjoint_eig
• tf.batch_self_adjoint_eigvals
  
  • 应该重命名为 tf.self_adjoint_eigvals
• tf.batch_set_diag
  
  • 应该重命名为 tf.set_diag
• tf.batch_svd
  
  • 应该重命名为 tf.svd
• tf.complex_abs
  
  • 应该重命名为 tf.abs

其他更改

已经做了的几个其他变化，其中包括：

• tf.image.per_image_whitening
  
  • 应该重命名为 tf.image.per_image_standardization
• tf.nn.sigmoid_cross_entropy_with_logits
  
  • 函数的参数已经被调整为 tf.nn.sigmoid_cross_entropy_with_logits(_sentinel=None, labels=None, logits=None, name=None)
• tf.nn.softmax_cross_entropy_with_logits
  
  • 函数的参数已经被调整为 tf.nn.softmax_cross_entropy_with_logits(_sentinel=None, labels=None, logits=None, dim=-1, name=None)
• tf.nn.sparse_softmax_cross_entropy_with_logits
  
  • 函数的参数已经被调整为 tf.nn.sparse_softmax_cross_entropy_with_logits(_sentinel=None, labels=None, logits=None, name=None)
• tf.ones_initializer
  
  • 函数已经被修改为 tf.ones_initializer()
• tf.pack
  
  • 应该重命名为 tf.stack
• tf.round
  
  • tf.round 的语义现在与 Banker 的四舍五入相匹配。
• tf.unpack
  
  • 应该重命名为 tf.unstack
• tf.zeros_initializer
  
  • 函数已经被修改为 tf.zeros_initializer()

---

Reference: 官网