TensorFlow 2.0 将会包含许多 API 改变，例如改变参数顺序、重命名、修改默认值等。手动迁移代码比较繁琐，还有出错的风险。为了让你的老代码能够向 TensorFlow 2.0 无缝迁移，TensorFlow 开发组推出了 tf_upgrade_v2 功能。
当你使用 pip 安装 TensorFlow 2.0 时，tf_upgrade_v2 就会自动安装，它可以帮你更快速地将已有的 TensorFlow 1.13 脚本迁移到 TensorFlow 2.0。
我们尝试尽可能多地自动执行升级任务：但是，仍然有一些句法和风格改变是 tf_upgrade_v2 无法自动迁移的，这些变更无法用简单的字符串替换来实现。为了确保你的代码可以被 TensorFlow 2.0 支持，升级脚本中包含了一个 compat.v1 模块。这个模块会将 tf.foo 形式的调用替换为 tf.compat.v1.foo。我们推荐的做法是，尽快人工校对这些替换，并将它们迁移到 tf.*命名空间下的新 API 而不是使用 tf.compat.v1.*命名空间。
另外，由于一些模块被废弃（例如 tf.flags 和 tf.contrib），TensorFlow 2.0 会包含一些无法通过切换到 compat.v1 解决的变更。升级这些代码需要用到额外的库（如 absl.flags）或者将代码切换到 tensorflow/addons 包下。
如果你想要把模型从 TensorFlow 1.12 迁移到 TensorFlow 2.0，首先要安装 tf-nightly-2.0-preview 或 tf-nightly-gpu-2.0-preview。
然后就可以通过运行一个单独的 Python 脚本直接升级：
注意：通过 pip install 安装 TensorFlow 1.13 及后续版本时会自动安装 tf_upgrade_v2。
也可以在文件夹目录中执行升级脚本：
脚本会列出到底做了哪些改动，例如参数重命名：
添加关键字：
以及有哪些地方推荐进行人工检查：
所有的信息都会被包含在当前文件夹的 report.txt 中。升级完成后，你可以运行模型来检查你的输出是否和 1.13 版本的输出相似。
警告
在运行脚本之前，不要手动修改代码。尤其是那些会变更参数顺序的函数，例如 tf.argmax 或者 tf.batch_to_space，这会导致脚本错误地映射参数关键词。
脚本本身不会进行参数重排序，只会为发生了参数重排的函数添加参数关键字
参考链接：
https://medium.com/tensorflow/upgrading-your-code-to-tensorflow-2-0-f72c3a4d83b5
更多内容，请关注 AI 前线
公众号推荐：
跳进 AI 的奇妙世界，一起探索未来工作的新风貌！想要深入了解 AI 如何成为产业创新的新引擎？好奇哪些城市正成为 AI 人才的新磁场？《中国生成式 AI 开发者洞察 2024》由 InfoQ 研究中心精心打造，为你深度解锁生成式 AI 领域的最新开发者动态。无论你是资深研发者，还是对生成式 AI 充满好奇的新手，这份报告都是你不可错过的知识宝典。欢迎大家扫码关注「AI前线」公众号，回复「开发者洞察」领取。
InfoQ主编
分布式云行业实践指南（2023）
业内首个分布式云行业实践方法论、工具箱。
评论