tensorflow1.x和tensorflow2.x的转换

最新推荐文章于 2023-08-13 20:51:35 发布
原创 最新推荐文章于 2023-08-13 20:51:35 发布 · 565 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#tensorflow #python #深度学习 #机器学习

这篇博客探讨了在论文中遇到的Tensorflow 1.x代码如何迁移到2.x版本的问题。作者建议首先参考官方转换表进行基础转换，例如使用`compat.v1`。对于不兼容的部分，如Hparams，可以将其视为字典操作。对于复杂情况，建议通过搜索引擎寻找解决方案。尽管有时转换过程可能复杂，但避免使用1.x版本以减少潜在问题。

很多论文里的代码都是tensorflow1.x的版本，但是现在基本都用2.x了，把1.x版本改成2.x版本先看转换表，转换表里有的直接按转换表进行转换，比如添加compat.v1。

特殊的不能直接转换的，比如Hparams，它本质是一个字典，直接用字典使用就行了，将它的引用params.x改成params[x]。

实在不行只能百度看别人的方法了，能简单转换最好，但有些东西就是很难转换，最好别碰1.x版本，会带来不幸。

[深度学习] tensorflow1.x和tensorflow2.x对比与总结
Harry的博客
05-05 1万+
tensorflow1.x和tensorflow2.x对比与总结1. 背景介绍2. 易于使用（Ease of use）3. 使用Eager模式（Eager Execution）4. 建立模型和部署变得容易（Model Building and deploying made easy）5. 简化了数据管道（The Data pipeline simplified）6. 一些重要的点是：7. 总结参考...
tensorflow1.x 基础案例1
kinkinhe的博客
07-11 567
tensorflow基础案例1，简要介绍其基本操作
tensorflow 1.x 到 tensorflow 2.x
in546的博客
09-24 1555
文章目录一、tensorflow 1.x 和 tensorflow 2.x二、tensorflow1.x 转为 tensorflow2.x2.1 tf.Session.run2.2 跟踪变量和损失2.3 训练循环三、转换模型3.1 安装环境3.2 低阶变量和执行3.3 tf.layers 模型3.4 tf.layers 和混合变量四、训练4.1 Datasets的使用4.2 keras内置的fit、evaluate和predict循环训练4.3 编写自己的训练循环4.4 自定义训练步骤4.5 新型指标五、
将TensorFlow 1.x升级代码到TensorFlow 2.x版本的方法汇总
01-06
下面将升级代码到TensorFlow 2.x版本的方法汇总起来，有如下几点。 1.最快速转化的方法 在代码中没有使用contrib模块的情况下，可以在代码最前端加上如下两句，直接可以实现的代码升级。 import tensorflow.compat.v1 as tftf.disable_v2_behavior() 这种方法只是保证代码在TensorFlow 2.x版本上能够运行，并不能发挥TensorFlow的最大性能。 2.使用工具进行转化的方法 在代码中没有使用contrib模块的情况下，用tf_upgrade_v2工具可以快速实现代码升级。当然tf_upgrade_v2工具并不是万能的
tensorflow1.x版本代码向tf2.x迁移
weixin_46035550的博客
02-17 294
以莫烦强化学习中A3C_continuous_action.py作为示例 import部分添加代码： import tensorflow._api.v2.compat.v1 as tf tf.compat.v1.disable_eager_execution()
TensorFlow1.x的代码自动升级成TensorFlow2.x
s893239571的博客
05-26 723
可以将TensorFlow1.x的代码自动升级成TensorFlow2.x 一、准备 确保安装TensorFlow2.0 二、转换单个python文件 tf_upgrade_v2 --infile xx/xx/xx.py --outfile xx/xx.py 三、目录树的转换 tf_upgrade_v2 --intree xx/xx/xx.py --outtree xx/xx.py 注意 改完后运气好可以立刻用，实际上可能需要进一步修改。 原网页 ...
[Tensorflow1.x-＞2.x]一个简单快捷的懒人方法
hwruirui的博客
08-13 307
API 的许多 API 更改，例如重新排序了参数，重命名了符号，更改了参数的默认值。为了简化更改，尽可能让您无缝过渡到 TF 2.x，TensorFlow 团队创建了。作用：利用tf_upgrade_v2主要是将部分2.x版本中被移除的旧版本函数加上为tf.compat.v1。注：TensorFlow 1.13 和更高版本（包括所有 TF 2.0 构建）会自动安装。【官方说明】TensorFlow 2.x 包含 TF 1.x 和。效用函数，帮助您将旧版代码转换至新的 API。备注：需要删除所有的中文字符。
TensorFlow1.x入门（9）——卷积神经网络（CNN）
12-21
卷积神经网络（CNN）是深度学习...在TensorFlow1.x中，可以利用提供的API如`tf.nn.conv2d()`和`tf.nn.max_pool()`轻松构建和实现CNN模型。在实际应用中，根据具体任务调整网络结构、超参数和优化策略，以达到最佳性能。
将TensorFlow 2.0训练的模型转换为TensorFlow 1.x的PB模型实例
最新发布
12-16
将TensorFlow 2.0训练的模型转换为TensorFlow 1.x的PB模型是一个涉及多个步骤的过程，需要对两个版本之间的差异有清晰的认识，并采用合适的工具和方法来完成转换。这样的转换对于确保模型的可用性和兼容性至关重要，...
精选资源
tensorflow1.x升级到2.x脚本
04-29
这个"tensorflow1.x升级到2.x脚本"是为了帮助用户平滑地将他们的1.x代码迁移到2.x环境，以充分利用新版本的特性和性能提升。 在TensorFlow 1.x到2.x的升级过程中，主要涉及以下几个关键知识点： 1. **自动图模式**...
tensorflow1.x代码转换到tensorflow2.x
jiugeshao的专栏
11-23 2136
这里我考虑使用PASCAL VOC 2007和PASCAL VOC 2012数据集来示意，这两个数据集的一些介绍可以参见如下博客的介绍 https://blog.csdn.net/xingwei_09/article/details/79142558 这里我给出两个数据集的链接路径 VOC 2007 链接：https://pan.baidu.com/s/1xK3gmKMpK1CzgxeyEuVYiw 提取码：21ww VOC 2012 链接：https://pan.baidu.com/s/1..
tensorflow 如何在2.x 版本 与 1.x 版本间切换
qq_42731039的博客
11-05 6152
tensorflow 2.0.0 运行 1.0.0的代码： （只需在代码前面加上如下代码） import tensorflow.compat.v1 as tf tf.disable_v2_behavior() 将v1版升级为v2版工具: 1.升级单个文件： tf_upgrade_v2 --infile "1.x的代码文件" --outfil...
【入门教程】官方手把手教你如何将 TensorFlow 1 升级到 TensorFlow 2（下）
tensorflowforum的博客
11-11 4657
注：原文中有许多链接，无法在微信内容中一一展示，如需请点击“阅读原文”直达官网内容页（英文）。 保存和加载 检查点兼容性 TensorFlow 2.0 使用基于对象的检查点。 基于对象的检查点https://tensorflow.google.cn/guide/checkpoint 如果您足够小心，旧版的基于名称的检查点仍然可以加载。如果进行代码转换，可能需要对变量名进行变更，但是也有变通的办法。 最简单的方法是将新模型中的名字和检查点的名字保持一致： 您依旧可以为所有变量设置.
TF1.x和TF2.x版本训练的PB模型转Tflite
xu.hyj
09-13 2275
0.前言 pb转tflite分为tf1.x和tf2.x 1. TF2.x版本得PB转tflite 2.0及以上版本得转换移步TensorFlow Lite 转换器，注意：这是假定您已安装 TensorFlow 2.x 并在 TensorFlow 2.x 中训练了模型。 1. TF1.x版本得PB转tflite 环境tensorflow-gpu=1.15（训练和转换环境都是），所以使用tflite_convert命令行工具。该工具嵌入在tensorflow1.x>中，可以尝试在命令行中使用“tflite
TensorFlow2.x和TensorFlow1.x版本冲突问题解决
studyeboy的专栏
11-04 1665
问题描述： 问题分析 安装的是TensorFlow2.0但是使用的是TensorFlow1.0版本的代码。 解决办法 把整个TensorFlow2.0的调用转换为TensorFlow1.0的调用，无需对单个函数就行修改。 #import tensorflow as tf #2021-11-03 tensorflow2.0 version #2021-11-03 tensorflow 2.0 version using version 1.x method import tensorflow.co
Tensorflow1.X迁移到2.0教程
CristianoC
02-19 1444
最近发现tf升级2.0之后有些api更新了，所以代码就无法直接迁移，所以做一下记录。 目录 单脚本转换 文件夹批量转换 注意事项 单脚本转换 先进入到你要转换脚本(eg:yolov3.py)的目录，然后： tf_upgrade_v2 --infile yolov3.py --outfile yolov3.py 文件夹批量转换 先进入你要转换的文件夹根目录（eg:yolov3/），然...
如何在TF2中使用TF1.x的.pb模型
好记性不如烂笔头
09-17 2387
在TF1.x中，使用冻结的.pb模型方法比较简单，可以参看：https://editor.csdn.net/md/?articleId=103403309 随着TF2的推进，以后，用TF2的也会越来越多。但是，有时候还是会需要在TF2中使用到TF1.x的模型。对于.pb模型的使用，该如何做呢？直接上code def wrap_frozen_graph(graph_def, inputs, outputs, print_graph=False): def _imports_graph_def():
5 分钟将 TensorFlow 1 代码转换到 TensorFlow 2
qq_39845931的博客
09-22 6108
5 分钟将 TensorFlow 1 代码转换到 TensorFlow 2 跑代码 戳这里????: 5 分钟将 TensorFlow 1 代码转换到 TensorFlow 2 小伙伴问了：现在很多新的 GPU 对以前的 TensorFlow 1.x 的支持很不好，比如 30 系列的GPU，以前的代码跑不起来咋办？ TensorFLow v1 原本是为了运行效率让用户直接使用 Python 操作计算图。 但是渐渐的用户发现： 调试困难 开发低效 各种 API 不统一 以及来自外部的 Keras 都让
tensorflow1.x和2.x转换
12-27
### TensorFlow 1.x到2.x迁移指南 为了顺利将TensorFlow 1.x代码迁移到2.x版本，官方提供了多种工具和支持来简化这一过程。以下是详细的指导和建议： #### 使用`tf_upgrade_v2`脚本转换代码 对于大多数项目而言，最简单的方式是利用`tf_upgrade_v2`这个Python模块来进行自动化升级。该工具可以扫描并修改源文件中的API调用和其他语法结构，使其兼容于新的框架特性[^1]。 ```bash pip install tensorflow==2.0.0-alpha0 python -m tensorflow.tools.compatibility.upgrade --infile model.py --outfile upgraded_model.py ``` 这段命令会读取名为`model.py`的输入文件，并将其更新后的版本保存为`upgraded_model.py`。需要注意的是，在某些情况下可能还需要手动调整一些特定部分以确保完全适配新环境。 #### 处理Eager Execution模式的变化 默认情况下,TensorFlow 2.x启用了即时执行（eager execution），这改变了程序运行时的行为方式。如果原有代码依赖于静态图构建，则需考虑重构逻辑以便更好地适应这种变化。可以通过显式禁用此功能或将旧有图形定义包裹在一个函数内部的方式来处理这个问题: ```python import tensorflow as tf # 方法一：全局关闭 eager mode tf.compat.v1.disable_eager_execution() # 或者方法二：仅在局部范围内使用 static graph @tf.function def my_function(x): ... ``` 此外，还应该注意检查所有涉及Session管理和变量初始化的地方，因为这些操作现在已经被更简洁高效的替代方案所取代[^3]。 #### 更新Estimator API及其他组件 随着版本迭代，许多高层级抽象如Keras已被集成到了核心库中成为首选接口；而原本广泛使用的Estimators则逐渐被弃用。因此，当遇到此类情况时，推荐转向更加现代化的选择——即直接基于Model子类化实现自定义模型或是采用Sequential/Functional风格编写网络架构[^2]。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值